tugas akhir - connecting repositories · 2020. 7. 13. · laporan tugas akhir ini disusun sebagai...
TRANSCRIPT
PENERAPAN RADIAL BASIS FUNCTION (RBF) UNTUK
KLASIFIKASI DAERAH RAWAN PANGAN
(STUDI KASUS: DINAS KETAHANAN
PANGAN PROVINSI RIAU)
TUGAS AKHIR
Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana
Pada Jurusan Teknik Informatika
oleh:
ANDAM DEWI ASHARI
11351203031
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU
PEKANBARU
2019
ii
iii
iv
LEMBAR HAK ATAS KEKAYAAN
INTELEKTUAL
Tugas akhir yang tidak diterbitkan ini terdaftar dan tersedia di Perpustakaan
Universitas Islam Negeri Sultan Syarif Kasim Riau adalah terbuka untuk umum
dengan ketentuan bahwa hak cipta pada penulis. Referensi kepustakaan
diperkenankan dicatat, tetapi pengutipan atau ringkasan hanya dapat dilakukan seizin
penulis dan harus disertai dengan kebiasaan ilmiah untuk menyebutkan sumbernya.
Penggandaan atau penerbitan sebagian atau seluruh tugas akhir ini harus
memperoleh izin dari Dekan Fakultas Sains dan Teknologi Universitas Islam Negeri
Sultan Syarif Kasim Riau. Perpustakaan yang meminjam tugas akhir ini untuk
anggotanya diharapkan untuk mengisi nama, tanda peminjaman dan tanggal pinjam.
v
LEMBAR PERNYATAAN
Dengan ini saya menyatakan bahwa dalam tugas akhir ini tidak terdapat karya
yang pernah diajukan untuk memperoleh gelar kesarjanaan pada suatu Perguruan
Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang
pernah ditulis atau diterbitkan oleh orang lain kecuali yang secara tertulis diacu dalam
naskah ini dan disebutkan di dalam daftar pustaka
Pekanbaru, 12 Desember 2019
Yang membuat pernyataan,
ANDAM DEWI ASHARI
11351203031
vi
LEMBAR PERSEMBAHAN
Alhamdulillaahi Robbil’alamin… Dengan nama Allah yang maha pengasih lagi maha
penyayang. Ku persembahkan karya ilmiah ini untuk orang-orang yang ku cintai:
MAMA dan PAPA
Terimakasih atas segala kasih saying, pengorbanan, doa dan restu mu. Setiap
kesabaran, nasihat dan semangatmu bisa menuntunku hingga saat ini. Tidak ada
tempat yang lebih indah untuk kembali dari kegelisahan di dunia selain darimu
Mama dan Papa. Terimakasih atas untuk segala yang selalu diberikan untukku.
Kupersembahkan ini kepada Mama dan Papa sebuah karya kecilku. Semoga Allah
membalas pengorbanan yang Mama dan Papa berikan kepadaku.
SAHABAT SEPERJUANGAN
Terima kasih atas segala dukungan, bantuan, dan ketulusan kalian dalam menjalani
hari-hari ku. Semoga Allah melancarkan semua urusan kita dalam meraih cita-cita
dan semoga kita dapat meraih masa depan yang cerah. Aamiin.
vii
PENERAPAN RADIAL BASIS FUNCTION (RBF) UNTUK
KLASIFIKASI DAERAH RAWAN PANGAN
(STUDI KASUS: DINAS KETAHANAN
PANGAN PROVINSI RIAU)
ANDAM DEWI ASHARI
11351203031
Tanggal Sidang : 12 Desember 2019
Jurusan Teknik Informatika
Falkultas Sains dan Teknologi
Universitas Islam Negeri Sultan Syarif Kasim Riau
ABSTRAK
Rawan pangan merupakan kondisi tidak tersedianya pangan yang mencukupi bagi individu untuk
memenuhi konsumsi makanannya dan berada dibawah jumlah kalori minimum yang dibutuhkan.
Kondisi rawan pangan merupakan salah satu masalah pangan yang disebabkan oleh banyak faktor.
Penelitian ini menerapkan Jaringan Syaraf Tiruan yang dapat mengklasifikasikan daerah rawan
pangan dengan algoritma Radial Basis Function (RBF). Variabel yang digunakan yaitu jumlah
penduduk miskin, angka harapan hidup, rumah tangga tanpa akses listrik, air bersih, perempuan buta
huruf, tinggi badan balita di bawah standar (Stunting), akses jalan yang memadai, jarak dari fasilitas
kesehatan, rasio konsumsi normatif terhadap ketersediaan bersih serealia (NCPR). Jumlah data yang
digunakan yaitu 276 data dengan pembagian data menggunakan K-Fold, dimana terdapat 12 fold
dengan 23 data uji dan 253 data latih. Parameter RBF yang digunakan adalah nilai spread dengan nilai
spread 2 sampai nilai spread 4. Arsitektur jaringan terdiri dari 9 neuron input layer, 9 neuron hidden
layer dan 3 neuron output layer. Berdasarkan pengujian yang telah dilakukan, maka diperoleh akurasi
tertinggi yaitu 83% yang terletak pada fold 4 dengan nilai spread 3. Oleh karena itu, dapat
disimpulkan bahwa RBF dapat diterapkan untuk mengklasifikasikan daerah rawan pangan.
Kata Kunci : Jaringan Syaraf Tiruan, Klasifikasi, K-Fold, Rawan Pangan, Radial Basis Function
viii
APPLICATION OF RADIAL BASIS FUNCTION (RBF) TO
CLASSIFY THE VULNERABILITY AREA (CASE
STUDY: FOOD SECURITY DEPARTMENT
OF RIAU PROVINCE)
ANDAM DEWI ASHARI
11351203031
Session Date : 12 December 2019
Informatics Engineering
Faculty of Science and Technology
State Islamic University Syarif Kasim Sultan Riau
ABSTRACT
Vulnerability is a condition of Unavailability of adequate food for the individual to fulfill its food
consumption and be under the minimum number of calories required. Vulnerability conditions are one
of the food problems caused by many factors. In this research applied an Artificial Neural
Network were able to classify vulnerability area with an algorithm Radial Basis Function(RBF).
Variable used are poverty, life expectancy, Households without electricity access, clean water, Female
illiteracy, decent road access, Distance from health facilities, normatif consumption per capita rasio
(NCPR). The amount of data used are 276 data with clustering using K-fold, where there are 12 fold
with 23 testing data and 253 training data. RBF parameters used are value spread with a value of 2 to
4 value spread. Achitecture consists of 9 neurons input layer, 3 neurons hidden layer and 3 output
layer neurons. Based on the testing that was done, then obtained the highest accuracy of 83% in value
spread 3 the division of fold 4. Hence concluded RBF can be applied to classify the vulnerability area.
Keywords: Neural Network, Classification, K-fold, Radial Basis Function, Vulnerability Area
ix
KATA PENGANTAR
Assalamu’alaikum wa rahmatullahi wa barakatuh.
Alhamdulillah, Puji syukur atas kehadirat Allah SWT, karena dengan
limpahan rahmat dan hidayah-Nya penulis dapat menyelesaikan penelitian Tugas
Akhir yang berjudul “PENERAPAN RADIAL BASIS FUNCTION (RBF) UNTUK
KLASIFIKASI DAERAH RAWAN PANGAN”. Allahumma sholli’ala
Muhammad wa’ala ali sayyidina Muhammad yang tidak lupa penulis sampaikan
kepada Nabi Muhammad SAW.
Laporan tugas akhir ini disusun sebagai salah satu syarat untuk memenuhi
persyaratan akademis untuk meraih gelar sarjana di Jurusan Teknik Informatika,
Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau.
Selama pengerjaan tugas akhir ini berlangsung, penulis banyak mendapatkan
pengetahuan, bimbingan, dukungan, dan arahan serta masukan yang bermanfaat dari
semua pihak yang telah membantu, sehingga penulis dapat menyelsaikan penulisan
laporan tugas akhir ini. Untuk itu pada kesempatan ini penulis ingin menyampaikan
ucapan terimakasih kepada :
1. Bapak Prof. Dr. H. Akhmad Mujahidin, S.Ag., M.Ag selaku Rektor Universitas
Islam Negeri Sultan Syarif Kasim Riau.
2. Bapak Dr. Ahmad Darmawi, M.Ag. selaku Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri Sultan Syarif Kasim Riau.
3. Ibuk Dr. Elin Haerani, ST, M.Kom selaku Ketua Jurusan Teknik Informatika
Universitas Islam Negeri Sultan Syarif Kasim Riau.
4. Bapak Syarifuddin M.Ag selaku pembimbing akademik selama proses
perkuliahan.
x
5. Ibu Fadhilah Syafria, ST, M.Kom, CIBIA selaku dosen pembimbing tugas akhir.
Terimakasih atas bimbingan, waktu dan ilmu yang diberikan untuk membantu
dan membimbing saya dalam menyelesaikan tugas akhir.
6. Ibu Elvia Budianita, ST, M.Cs selaku penguji I yang telah memberikan kritik dan
saran kepada penulis atas penulisan laporan tugas akhir ini.
7. Ibu Siska Kurnia Gusti, ST, M.Sc, CIBIA selaku penguji II yang telah
memberikan kritik dan saran kepada penulis atas penulisan laporan tugas akhir
ini.
8. Bapak dan Ibu dosen TIF yang telah memberikan ilmu yang bermanfaat kepada
penulis.
9. Terima kasih kepada Mama dan Papa yang sangat saya sayangi, yang telah
memberikan semangat, kasih sayang dan pengorbanan serta do’a yang luar biasa
untuk keberhasilan penulis.
10. Sahabat seperjuangan TIF C angkatan 2013 yang bersama-sama berjuang semasa
Perkuliahan.
11. Terima kasih kepada sahabat penulis, Elsa, Muje, Mike, Jelly, Ama, Nunun,
Anna, Ilmi yang banyak membantu saya selama perkuliahan.
12. Terima kasih kepada Dianti, Jenny dan bang Rahmat Abdul Fajar yang telah
memberikan ilmunya mengajarkan dan membantu saya dalam melalui masa-
masa perkuliahan saya.
13. Terima kasih kepada sahabat-sahabat saya, Wilda, Devola, Wulandari, Iis, Ola,
Trisya, Zaki, yang sedari sekolah hingga saat ini banyak mendukung dan
menemani saya.
14. Terima kasih kepada Nerrobion, Jessica, Dexlyn, Alexie, Arletta, Cissa,
Aqueena, Teyony, Dedek Hima, Vira, Fang, Minel, Migel, Rozed, Acel, dan
Pepen yang telah menyemangati penulis.
15. Semua pihak yang terlibat baik langsung maupun tidak langsung dalam
pelaksanaan tugas akhir ini yang tidak dapat penulis sebutkan satu persatu.
xi
Semoga tugas akhir ini dapat bermanfaat bagi penulis khususnya maupun
pembaca pada umumnya. Penulis berharap mendapatkan masukan, kritikan, maupun
saran yang bersifat membangun dari pembaca atas isi laporan tugas akhir ini. Akhir
kata penulis ucapkan terima kasih dan selamat membaca,
Pekanbaru, 12 Desember 2019
Penulis
xii
DAFTAR ISI
Halaman
LEMBAR PERSETUJUAN ................................................................................. ii
LEMBAR PENGESAHAN ................................................................................. iii
LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL .................................. iv
LEMBAR PERNYATAAN .................................................................................. v
LEMBAR PERSEMBAHAN .............................................................................. vi
ABSTRAK ........................................................................................................... vii
ABSTRACT ......................................................................................................... viii
KATA PENGANTAR .......................................................................................... ix
DAFTAR ISI ........................................................................................................ xii
DAFTAR GAMBAR ........................................................................................... xv
DAFTAR TABEL ............................................................................................. xvii
DAFTAR LAMPIRAN ......................................................................................... ii
DAFTAR SIMBOL .............................................................................................. iii
BAB I PENDAHULUAN .................................................................................... I-1
1.1 Latar Belakang ................................................................................... I-1
1.2 Rumusan Masalah .............................................................................. I-5
1.3 Batasan Masalah ................................................................................. I-5
1.4 Tujuan Penelitian................................................................................ I-6
1.5 Sistematika Penulisan ......................................................................... I-6
BAB II LANDASAN TEORI ........................................................................... II-1
2.1 Jaringan Syaraf Tiruan (JST) ........................................................... II-1
2.1.1 Perbandingan Antara Jaringan Saraf Biologis dengan Jaringan
Syaraf Tiruan .................................................................................... II-2
2.1.2 Fungsi Aktivasi ....................................................................... II-4
2.2 Radial Basis Function (RBF) ........................................................... II-5
xiii
2.2.1 Struktur Jaringan RBF ............................................................. II-5
2.2.2 Algoritma Pelatihan Jaringan RBF ......................................... II-5
2.3 Normalisasi....................................................................................... II-7
2.4 Pengujian Akurasi ............................................................................ II-8
2.5 Rawan Pangan .................................................................................. II-8
2.5.1 Food Security and Vulnerability Atlas (FSVA) .................... II-10
2.6 Penelitian Terkait ........................................................................... II-12
BAB III METODOLOGI PENELITIAN ..................................................... III-1
3.1 Tahapan Penelitian .......................................................................... III-1
3.2 Perumusan Masalah......................................................................... III-2
3.3 Pengumpulan Data ........................................................................... III-2
3.4 Studi Pustaka .................................................................................... III-2
3.5 Analisa dan Perancangan Sistem..................................................... III-3
3.5.1 Analisa Kebutuhan Data ........................................................ III-3
3.5.2 Metode Radial Basis Function (RBF) .................................... III-4
3.5.3 Analisa Sistem ....................................................................... III-6
3.6 Perancangan Sistem......................................................................... III-6
3.7 Implementasi dan Pengujian .......................................................... III-7
3.7.1 Implementasi ......................................................................... III-7
3.7.2 Pengujian Sistem ................................................................... III-7
3.8 Kesimpulan dan Saran ..................................................................... III-8
BAB IV ANALISA DAN PERANCANGAN ................................................. IV-1
4.1 Analisa ............................................................................................. IV-1
4.1.1 Analisa Kebutuhan Data ........................................................ IV-1
4.1.2 Analisa Metode Radial Basis Function (RBF) ....................... IV-2
4.1.3 Analisa Sistem ...................................................................... IV-28
4.2 Perancangan Sistem....................................................................... IV-36
4.2.3 Perancangan Database ......................................................... IV-36
xiv
4.1.2 Perancangan Antarmuka (Interface) .................................... IV-39
BAB V IMPLEMENTASI DAN PENGUJIAN .............................................. V-1
5.1 Implementasi .................................................................................... V-1
5.1.1 Batasan Implementasi ............................................................. V-1
5.1.2 Lingkungan Implementasi ...................................................... V-1
5.1.3 Analisa Hasil Implementasi .................................................... V-2
5.2 Pengujian ........................................................................................ V-11
5.2.1 Pengujian Black Box ............................................................. V-11
5.2.2 Pengujian Metode Radial Basis Function (RBF) .................. V-17
5.3 Kesimpulan Pengujian.................................................................... V-27
BAB VI PENUTUP .......................................................................................... VI-1
6.1 Kesimpulan...................................................................................... VI-1
6.2 Saran ................................................................................................ VI-1
DAFTAR PUSTAKA ....................................................................................... xxiii
LAMPIRAN A DATA DAERAH RAWAN PANGAN ................................. A-1
LAMPIRAN B PEMBAGIAN DATA ............................................................. B-1
LAMPIRAN C PENGUJIAN AKURASI CONFUSION MATRIX DAN
TINGKAT ERROR METODE RBF ............................................................... C-1
xv
DAFTAR GAMBAR
Gambar Halaman
2.1 Sel Saraf Biologis ................................................................................................ II-2
2.2 Ilustrasi Jaringan Radial Basis Function (Gradhianta, 2012) ............................. II-6
3.1 Tahapan Metodologi Penelitian ......................................................................... III-1
3.2 Tahapan Proses Klasifikasi Metode RBF .......................................................... III-4
4.1 Arsitektur RBF Untuk Klasifikasi Daerah Rawan Pangan ............................. IV-11
4.2 Diagram Tahapan Pelatihan RBF.................................................................... IV-12
4.3 Diagram Tahapan pengujian RBF ................................................................... IV-25
4.4 Context Diagram Klasifikasi Rawan Pangan .................................................. IV-28
4.5 DFD Klasifikasi Rawan Pangan ..................................................................... IV-30
4.6 DFD Level 2 Proses 1 Sistem Klasifikasi Rawan Pangan .............................. IV-31
4.7 ERD Klasifikasi Rawan Pangan ..................................................................... IV-33
4.8 Struktur Menu Klasifikasi Rawan Pangan ...................................................... IV-34
4.9 Interface Halaman Login ................................................................................ IV-40
4.10 Interface Halaman Utama ............................................................................ IV-40
4.11 Interface Halaman Menu Data User ............................................................. IV-41
4.12 Interface Halaman Tambah Data User .......................................................... IV-42
4.13 Interface Halaman Menu Inputan ................................................................. IV-43
4.14 Interface Halaman Tambah Data Inputan ..................................................... IV-43
4.15 Interface Halaman Menu Normalisasi .......................................................... IV-44
4.16 Pseudocode Proses Normalisasi .................................................................... IV-44
4.17 Interface Halaman Menu Data Latih............................................................. IV-45
4.18 Pseudocode K-Fold ....................................................................................... IV-45
4.19 Interface Halaman Menu Data Uji ................................................................ IV-46
4.20 Interface Halaman Menu Data Center .......................................................... IV-46
4.21 Pseudocode Data Center ............................................................................... IV-47
4.22 Interface Halaman Menu Pelatihan ............................................................... IV-47
4.23 Pseudocode Jarak Euclidean ......................................................................... IV-48
4.24 Pseudocode Matriks Gaussian ...................................................................... IV-49
4.25 Pseudocode Matriks Gaussian Transpose (GT) ............................................. IV-49
4.26 Pseudocode Matriks GTG .............................................................................. IV-50
4.27 Pseudocode Matriks (GTG)
-1 ......................................................................... IV-50
4.28 Pseudocode Matriks (GTG)
-1 G
T ................................................................... IV-50
4.29 pseudocode matriks (GTG)
-1 G
Txd ................................................................ IV-51
xvi
4.30 Interface Halaman Menu Bobot .................................................................... IV-52
4.31 Interface Halaman Menu Pengujian.............................................................. IV-52
4.32 Interface Halaman Menu Pengujian.............................................................. IV-53
4.33 Interface Halaman Menu Pengujian.............................................................. IV-53
5.1 Tampilan Halaman Login .................................................................................... V-2
5.2 Tampilan Halaman Menu Utama ........................................................................ V-3
5.3 Tampilan Halaman Data User ............................................................................. V-3
5.4 Tampilan Form Tambah Data Pengguna ............................................................ V-4
5.5 Tampilan Halaman Inputan ................................................................................. V-4
5.6 Tampilan Form Tambah Data Inputan ................................................................ V-5
5.7 Tampilan Halaman Data Normalisasi ................................................................. V-6
5.8 Tampilan Halaman Data Latih ............................................................................ V-6
5.9 Tampilan Halaman Data Uji ............................................................................... V-7
5.10 Tampilan Halaman Data Center ........................................................................ V-8
5.11 Tampilan Halaman Pelatihan RBF.................................................................... V-8
5.12 Tampilan Halaman Data Bobot ......................................................................... V-9
5.13 Tampilan Form Spread .................................................................................... V-10
5.14 Tampilan Hasil Pengujian ............................................................................... V-10
xvii
DAFTAR TABEL
Tabel Halaman
2.1 Perbandingan jaringan syaraf tiruan terhadap jaringan saraf biologis ................ II-4
2.2 Penelitian Terkait .............................................................................................. II-13
4.1 Keterangan Variabel Masukan .......................................................................... IV-1
4.2 Target Rawan Pangan ....................................................................................... IV-2
4.3 Contoh Data Rawan Pangan Yang Digunakan ................................................. IV-4
4.4 Normalisasi Untuk Penduduk Miskin ............................................................... IV-6
4.5 Normalisasi Untuk Stunting .............................................................................. IV-7
4.6 Normalisasi Untuk Kesehatan ........................................................................... IV-8
4.7 Normalisasi Untuk NCPR ................................................................................. IV-8
4.8 Hasil Normalisasi Data Rawan Pangan............................................................. IV-9
4.9 Keterangan Variabel Output ........................................................................... IV-10
4.10 Contoh Nilai Inputan (x) ............................................................................... IV-13
4.11 Inisialisasi nilai pusat data (center) ............................................................... IV-14
4.12 Jarak euclidean data 1 ................................................................................... IV-14
4.13 Jarak euclidean data 2 ................................................................................... IV-15
4.14 Jarak euclidean data 3 ................................................................................... IV-15
4.15 Jarak euclidean data 4 ................................................................................... IV-15
4.16 Jarak euclidean data 5 ................................................................................... IV-16
4.17 Jarak euclidean data 6 ................................................................................... IV-16
4.18 Jarak euclidean data 7 ................................................................................... IV-16
4.19 Jarak euclidean data 8 ................................................................................... IV-17
4.20 Jarak euclidean data 9 ................................................................................... IV-17
4.21 Jarak euclidean data 10 ................................................................................. IV-17
4.22 Hasil perhitungan jarak euclidean ................................................................. IV-18
4.23 Fungsi Aktivasi Gaussian Data 1 .................................................................. IV-18
4.24 Fungsi Aktivasi Gaussian Data 2 .................................................................. IV-18
4.25 Fungsi Aktivasi Gaussian Data 3 .................................................................. IV-19
4.26 Fungsi Aktivasi Gaussian Data 4 .................................................................. IV-19
4.27 Fungsi Aktivasi Gaussian Data 5 .................................................................. IV-19
4.28 Fungsi Aktivasi Gaussian Data 6 .................................................................. IV-19
4.29 Fungsi Aktivasi Gaussian Data 7 .................................................................. IV-20
4.30 Fungsi Aktivasi Gaussian Data 8 .................................................................. IV-20
4.31 Fungsi Aktivasi Gaussian Data 9 .................................................................. IV-20
xviii
4.32 Fungsi Aktivasi Gaussian Data 10 ................................................................ IV-20
4.33 Hasil perhitungan fungsi aktivasi gaussian ................................................... IV-21
4.34 Nilai Bobot w dan bias .................................................................................. IV-24
4.35 Contoh data untuk pengujian ........................................................................ IV-26
4.36 Jarak euclidean data uji ................................................................................. IV-26
4.37 Fungsi Aktivasi Gaussian data uji ................................................................ IV-27
4.38 Keterangan Entitas Context diagram ............................................................ IV-29
4.39 Penjelasan DFD Level 1................................................................................ IV-30
4.40 Penjelasan DFD Level 2 Proses 1 ................................................................. IV-32
4.41 User ............................................................................................................... IV-36
4.42 Persen ............................................................................................................ IV-37
4.43 Input .............................................................................................................. IV-37
4.44 Uji .................................................................................................................. IV-38
4.45 Latih .............................................................................................................. IV-38
4.46 Data Center.................................................................................................... IV-39
4.47 Bobot ............................................................................................................. IV-39
5.1 Pengujian Halaman Login ................................................................................. V-11
5.2 Pengujian Menu User ........................................................................................ V-12
5.3 Pengujian Menu Inputan ................................................................................... V-13
5.4 Pengujian Menu Data Normalisasi.................................................................... V-15
5.5 Pengujian Menu Data Latih .............................................................................. V-15
5.6 Pengujian Menu Data Uji .................................................................................. V-15
5.7 Pengujian Menu Data Center ............................................................................ V-16
5.8 Tabel Pengujian Menu Pelatihan ...................................................................... V-16
5.9 Tabel Pengujian Menu Data Bobot ................................................................... V-17
5.10 Pengujian Menu Pengujian ............................................................................. V-17
5.11 Pengujian pada Fold 1 ..................................................................................... V-18
5.12 Pengujian pada Fold 2 ..................................................................................... V-18
5.13 Pengujian pada Fold 3 ..................................................................................... V-19
5.14 Pengujian pada Fold 4 ..................................................................................... V-20
5.15 Pengujian pada Fold 5 ..................................................................................... V-20
5.16 Pengujian pada Fold 6 ..................................................................................... V-21
5.17 Pengujian pada Fold 7 ..................................................................................... V-22
5.18 Pengujian pada Fold 8 ..................................................................................... V-22
5.19 Pengujian pada Fold 9 ..................................................................................... V-23
5.20 Pengujian pada Fold 10 ................................................................................... V-24
5.21 Pengujian pada Fold 11 ................................................................................... V-24
xix
5.22 Pengujian pada Fold 12 ................................................................................... V-25
5.23 Kesimpulan Tingkat Akurasi .......................................................................... V-26
ii
DAFTAR LAMPIRAN
Lampiran Halaman
A DATA DAERAH RAWAN PANGAN .......................................................... A-1
B PEMBAGIAN DATA ..................................................................................... B-1
C PENGUJIAN AKURASI CONFUSION MATRIX DAN TINGKAT ERROR
METODE RBF ............................................................................................... C-1
iii
DAFTAR SIMBOL
Keterangan simbol pada Flowchart
Simbol Keterangan
Terminator : terminator (Mulai/Selesai) merupakan tanda
bahwa sistem akan dijalankan atau berakhir
Proses : melakukan pemrosesan data baik oleh user maupun
komputer (sistem)
Verifikasi : memutuskan apakah valid atau tidak validnya
suatu kejadian
Data : mendeskripsikan data yang digunakan
Laporan : menggambarkan laporan
Keterangan simbol pada Data Flow Diagram (DFD)
Simbol Keterangan
Entitas Eksternal : satuan di luar lingkungan sistem yang akan
menerima input dan menghasilkan output
Proses : melakukan pemrosesan data baik oleh pengguna
maupun komputer
Data Store : mewakili suatu penyimpanan data (database)
Arus Data : menggambarkan arus data di dalam sistem
I-1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalam undang-undang pangan Nomor 18 tahun 2012, pangan adalah segala
sesuatu yang berasal dari sumber hayati dan air, baik yang diolah maupun yang tidak
diolah dan diperuntukkan sebagai makanan ataupun minuman bagi konsumsi
manusia. Pangan merupakan hak asasi individu dan komponen dasar untuk
menciptakan sumber daya manusia yang berkualitas. Dalam hal ini, pemerintah
bertanggungjawab dalam memenuhi kebutuhan pangan dan menjamin kesejahteraan
pangan untuk setiap warga negara. Kebutuhan pangan dikatakan terpenuhi jika
cukupnya kualitas, kuantitas, keragaman dan keamanan pangan.
Ketahanan pangan adalah kondisi terpenuhinya pangan bagi negara sampai
dengan individu, yang tercermin dari tersedianya pangan yang cukup, baik jumlah,
kualitas, aman, beragam, bergizi, merata, dan terjangkau serta tidak bertentangan
dengan agama, keyakinan, dan budaya masyarakat, untuk dapat hidup sehat, aktif dan
produktif secara berkelanjutan. Jika kondisi pangan bagi negara dan individu tidak
terpenuhi maka kondisi yang terjadi adalah kondisi kerawanan pangan, sehingga
kerawanan pangan merupakan kondisi tidak tersedianya pangan yang mencukupi bagi
individu untuk memenuhi konsumsi makanannya dan berada dibawah jumlah kalori
minimum yang dibutuhkan. Kondisi rawan pangan merupakan salah satu masalah
pangan yang disebabkan oleh banyak faktor (BAKEPANG, 2017).
Kondisi rawan pangan dapat dibedakan berdasarkan waktu, yaitu rawan
pangan kronis dan rawan pangan transien. Rawan pangan kronis adalah tidak
terpenuhinya kebutuhan rumah tangga dalam memenuhi standar pangan anggota
keluarganya dalam jangka waktu yang lama serta keterbatasan ekonomi. Sedangkan
I-2
rawan pangan transien adalah kondisi rawan pangan yang bersifat mendadak dan
sementara karena faktor alam seperti kekeringan, banjir, hama, paceklik, gempa
bumi, longsor dan lain sebagainya. (BAKEPANG, 2015)
Pada tahun 2009, Dewan Ketahanan Pangan (DKP) dan Badan Ketahanan
Pangan (BKP) Provinsi bekerja sama dengan World Food Programme (WFP)
meluncurkan Peta Ketahanan dan Kerawanan Pangan atau Food Security and
Vulnerability Atlas (FSVA) yang mencakup 346 kabupaten dari 32 provinsi di Indonesia.
Faktor yang mempengaruhi FSVA adalah jumlah penduduk miskin, angka harapan
hidup, rumah tangga tanpa akses listrik, air bersih, perempuan buta huruf, tinggi
badan balita di bawah standar (Stunting), akses jalan yang memadai, jarak dari
fasilitas kesehatan, rasio konsumsi normatif terhadap ketersediaan bersih serealia
(NCPR) (BAKEPANG, 2017).
Penyusunan FSVA Kabupaten merupakan upaya untuk memperdalam hasil
analisis FSVA Nasional dan Provinsi yang telah disusun sebelumnya. Secara khusus,
FSVA dapat menyediakan informasi dan hasil yang tepat sebagai acuan untuk
pengambilan keputusan dalam perencanaan program, penentuan target serta kebijakan
untuk penganggulangan rawan pangan dan gizi (KEMENTAN, 2017). Berdasarkan
hasil wawancara dengan Ir. Al-Azhar pada tanggal 1 Agustus 2018 di kantor Dinas
Ketahanan Pangan Provinsi Riau diperoleh fakta bahwa pengumpulan dan
perangkuman data FSVA selama ini membutuhkan waktu yang cukup lama yaitu
selama 3 (tiga) tahun dan di rekap akhir oleh Dewan Ketahanan Pangan yang
membutuhkan waktu lama dalam melihat hasil akhir perkembangan daerah Provinsi
Riau, sedangkan pangan merupakan kebutuhan mendesak yang harus segera diatasi.
Penanganan yang terlambat dapat memicu terjadinya kerawanan pangan yang
berkepanjangan dan dalam periode yang lama akan menjadi rawan pangan kronis.
Selain itu, penyebab terbesar kerawanan pangan yaitu kemampuan petani
lokal Riau menghasilkan bahan pangan pokok sangatlah rendah. Kebijakan
pemerintah tentang import kebutuhan pokok semakin mendesak petani lokal Riau.
Badan Pusat Statistik (BPS) Provinsi Riau mencatat dalam kurun waktu Januari
I-3
sampai dengan November 2013, tercatat pemerintah Indonesia telah mengimpor
sekitar 17 miliar kilogram bahan pokok senilai US$ 8.6 miliar atau 104.9 triliun
Rupiah. Sangat disayangkan karena sebenarnya petani lokal Riau dan ketersediaan
lahan dapat dikembangkan dengan cepat dan baik. Kebijakan ini dilakukan untuk
mencegah kelangkaan pangan di Provinsi Riau. Tetapi, harga kebutuhan pokok yang
di impor lebih murah dan unggul dibanding dengan kebutuhan pokok yang dihasilkan
oleh petani lokal Riau. Hasilnya, produk petani lokal Riau sendiri kurang diminati.
Jika masalah ini terus menerus terjadi, maka dapat mematikan semangat dan
menurunkan produksi petani untuk bercocok tanam.
Selain itu permasalahan hama, ilmu tentang bercocok tanam, ketersediaan
lahan yang semakin berkurang, dan politik impor kebutuhan pokok merupakan faktor
penyebab ketidakmampuan petani lokal memenuhi pangan di daerah Riau ini. Sangat
disayangkan jika Provinsi Riau dengan sumber daya alam melimpah mengalami
masalah kerawanan pangan. Oleh karena itu diperlukan pengumpulan rangkuman
data yang lebih cepat agar permasalahan daerah rawan pangan dapat segera teratasi.
Maka diperlukan pengklasifikasian daerah rawan pangan yang ada di daerah Provinsi
Riau.
Salah satu bidang ilmu yang dapat digunakan untuk mengklasifikasikan
daerah kerawanan pangan adalah Jaringan Saraf Tiruan (JST). Jaringan Saraf Tiruan
merupakan model kecerdasan yang berdasarkan struktur otak manusia dan diterapkan
menggunakan program komputer untuk menyelesaikan proses perhitungan selama
proses pembelajaran (Desiani, et al., 2006). Salah satu contoh penerapan Jaringan
Saraf Tiruan yaitu Radial Basis Function (RBF). RBF merupakan metode Jaringan
Saraf Tiruan yang menggunakan metode pelatihan terbimbing (Supervised) dan tidak
terbimbing (Unsupervised) (Azmi, 2016). Selain memiliki kemampuan yang bagus
untuk melakukan klasifikasi, RBF juga mempunyai tingkat kecepatan dan tingkat
akurasi yang tinggi (Soesanto, 2015).
Berdasarkan penelitian terkait mengenai metode RBF oleh (Oktafiani, 2015)
tentang Perbandingan Metode Klasifikasi Regresi Logistik Biner Dan Radial Basis
I-4
Function Network Pada Berat Bayi Lahir Rendah memiliki hasil ketepatan klasifikasi
regresi logistik biner adalah sebesar 81,7% untuk data training dan 77,4% untuk data
testing. Ketepatan klasifikasi bayi baru lahir pada Puskesmas Pamenang Kota Jambi
menggunakan RBFN adalah sebesar 92,96% untuk data training dan 80,64% untuk
data testing. Penggunaan RBF lebih baik dibandingkan dengan regresi logistik biner.
Penelitian lainnya oleh (Ulfasari, 2010) tentang Perbandingan Performansi
Jaringan Learning Vector Quantization (LVQ) Dan Radial Basis Function (RBF)
Untuk Permasalahan Klasifikasi Penyakit Karies Gigi memiliki hasil LVQ
menghasilkan error sebesar 0.3093 dan persentasi sebesar 69. RBF menghasilkan
error training sebesar 0.2000. Sedangkan error testing yang dihasilkan adalah 0,2600
dan waktu yang diperlukan untuk melakukan testing adalah 2.284566 seconds.
Terlihat bahwa jaringan RBF memberikan tingkat akurasi yang lebih tinggi daripada
jaringan LVQ.
Selanjutnya penelitian oleh (Patmasari, 2017) tentang Penerapan Metode
Jaringan Syaraf Tiruan Radial Basis Function untuk Klasifikasi Status Gizi Balita
memiliki hasil pengujian data balita Testing sebesar 10% dengan 12 data balita, 20%
dengan 24 data balita dan 30% dengan 36 data balita. Kemudian dengan nilai spread 1
sampai 10, maka nilai Akurasi tertinggi sebesar 72.22% dan Error 27.77% terletak pada
nilai spread 1 dengan data balita sebesar 30%, untuk nilai Akurasi terendah sebesar
31.19% dan Error 68.81% pada nilai spread 4 dan 8.
Berdasarkan penjelasan diatas, maka pada penelitian ini akan dibangun sistem
klasifikasi menggunakan Radial Basis Function (RBF) untuk klasifikasi daerah
rawan pangan di Provinsi Riau. Data input berupa jumlah penduduk miskin, angka
harapan hidup, rumah tangga tanpa akses listrik, air bersih, perempuan buta huruf,
tinggi badan balita di bawah standar (Stunting), akses jalan yang memadai, jarak dari
fasilitas kesehatan, rasio konsumsi normatif terhadap ketersediaan bersih serealia
(NCPR). Data yang digunakan adalah data primer yang terdiri dari 10 Kabupaten di
Provinsi Riau dan didapat dari kantor Dinas Ketahanan Pangan Provinsi Riau. Daerah
rawan pangan mencakup 10 Kabupaten di Provinsi Riau. Kabupaten/Kota di Provinsi
I-5
Riau yaitu Kabupaten Kampar, Kabupaten Indragiri Hulu, Kabupaten Bengkalis,
Kabupaten Indragiri Hilir, Kabupaten Pelalawan, Kabupaten Rokan Hulu, Kabupaten
Rokan Hilir, Kabupaten Siak, Kabupaten Kuantan Singingi dan Kabupaten
Kepulauan Meranti. Tingkat daerah rawan pangan terdiri dari 6 prioritas yaitu,
Prioritas 1 (Sangat Rentan Pangan), Prioritas 2 (Rentan Pangan), Prioritas 3 (Cukup
Rentan Pangan), Prioritas 4 (Cukup Tahan Pangan), Prioritas 5 (Tahan Pangan),
Prioritas 6 (Sangat Tahan Pangan).
1.2 Rumusan Masalah
Berdasarkan permasalahan yang telah dijelaskan pada latar belakang, maka
dapat dibuat rumusan masalah yaitu bagaimana menerapkan algoritma Radial Basis
Function Untuk Klasifikasi Daerah Rawan Pangan serta mengetahui akurasi yang
diperoleh?
1.3 Batasan Masalah
Untuk menghindari luasnya permasalahan yang akan dianalisis pada
penelitian ini, maka perlu diberikan batasan masalah penelitian yaitu:
1. Metode jaringan syaraf tiruan yang digunakan adalah Radial Basis
Function (RBF)
2. Mengklasifikasikan daerah kerawanan pangan kronis di Provinsi Riau.
Tingkat daerah rawan pangan kronis terdiri dari 6 prioritas yaitu, Prioritas
1 (Sangat Rentan Pangan), Prioritas 2 (Rentan Pangan), Prioritas 3
(Cukup Rentan Pangan), Prioritas 4 (Cukup Tahan Pangan), Prioritas 5
(Tahan Pangan), Prioritas 6 (Sangat Tahan Pangan).
3. Data yang digunakan adalah data primer yang terdiri dari 10 Kabupaten
di Provinsi Riau dan didapat dari kantor Dinas Ketahanan Pangan
Provinsi Riau sejumlah 276 data.
I-6
4. Daerah rawan pangan mencakup 10 Kabupaten di Provinsi Riau.
Kabupaten/Kota di Provinsi Riau yaitu Kabupaten Kampar, Kabupaten
Indragiri Hulu, Kabupaten Bengkalis, Kabupaten Indragiri Hilir,
Kabupaten Pelalawan, Kabupaten Rokan Hulu, Kabupaten Rokan Hilir,
Kabupaten Siak, Kabupaten Kuantan Singingi dan Kabupaten Kepulauan
Meranti.
5. Pada Clustering untuk menentukan data center saat proses unsupervised
menggunakan data random.
1.4 Tujuan Penelitian
Tujuan yang ingin dicapai dalam penulisan Tugas Akhir ini adalah:
1. Menerapkan Jaringan Syaraf Tiruan metode Radial Basis Function (RBF)
dalam mengklasifikasikan daerah kerawanan pangan Provinsi Riau.
2. Mengukur tingkat akurasi dari metode RBF.
1.5 Sistematika Penulisan
Sistematika penulisan laporan Tugas Akhir ini terdiri dari pokok-pokok
permasalahan yang dibahas pada masing-masing bab yang diuraikan menjadi
beberapa bagian :
BAB I. PENDAHULUAN
Bagian ini membahas tentang gambaran umum penelitian yang meliputi latar
belakang penelitian, rumusan masalah, batasan masalah penelitian, tujuan penelitian
dan sistematika penulisan.
BAB II. LANDASAN TEORI
Bagian ini menjelaskan tentang teori-teori yang berhubungan dengan
penelitian yang terdiri dari penjelasan teori JST, metode klasifikasi Radial Basis
Function (RBF) dan kerawanan pangan.
I-7
BAB III. METODOLOGI PENELITIAN
Bagian ini menjelaskan tentang metodologi penelitian yang terdiri dari
perumusan masalah, studi pustaka / literature, analisa, experiment testing serta
kesimpulan dan saran.
BAB IV. ANALISA DAN PERANCANGAN
Bagian ini menjelaskan tentang tahapan-tahapan pembahasan mengenai alur
operasi metode RBF dan juga tahapan analisa dan perancangan sistem yang akan
dibangun.
BAB V. IMPLEMENTASI DAN PENGUJIAN
Bab ini menjelaskan implementasi dari perangkat lunak yang dibangun. Dari
hasil implementasi kemudian dilakukan pengujian perangkat lunak yang didasarkan
pada analisis kebutuhan perangkat lunak.
BAB VI. PENUTUP
Dalam bab ini akan dijelaskan mengenai kesimpulan dari hasil penelitian yang
dilakukan dan saran terhadap penelitian berikutnya.
II-1
BAB II
LANDASAN TEORI
2.1 Jaringan Syaraf Tiruan (JST)
Jaringan syaraf tiruan merupakan proses yang menyerupai pembelajaran dari
jaringan saraf biologis manusia untuk menyelesaikan kasus dengan proses
pembelajaran berdasarkan perubahan bobot sinapsis. JST digunakan untuk
menggambarkan hubungan kompleks antara input dan output agar menemukan pola-
pola pada data melalui proses pembelajaran. Pada proses pembelajaran, pola-pola
input atau output dimasukkan ke dalam jaringan saraf tiruan, lalu jaringan akan
diajari untuk memberikan jawaban yang dapat diterima (Azmi, 2016).
Proses pembelajaran pada JST dapat dikategorikan dalam dua jenis dalam
(Kusaedi, 2004), yaitu :
1. Belajar dengan pengawasan (supervised learning)
Proses belajar dengan pengawasan memerlukan output yang di-inginkan
sebagai dasar perubahan bobot.
2. Belajar tanpa pengawasan (unsupervised learning)
Proses belajar tanpa pengawasan di dalam melakukan perubahan bobot
sendiri tanpa memerlukan acuan sebagai hasil output.
Pada dasarnya karakteristik jaringan syaraf tiruan dalam (Maharani, 2012)
ditentukan oleh :
1. Pola hubungan antar neuron.
2. Metode penentuan bobot-bobot sambungan.
3. Fungsi aktivasi .
Dalam penerapannya, jaringan syaraf tiruan memiliki kelebihan dalam
(Maharani, 2012) yaitu:
1. Mampu melakukan generalisasi dan ekstraksi dari suatu pola data
tertentu.
II-2
2. JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri
atau kemampuan belajar.
3. Memiliki error tolerance, gangguan dapat dianggap sebagai noise saja.
4. Kemampuan perhitungan secara paralel sehingga proses lebih cepat.
Selain itu, Jaringan syaraf tiruan juga memiliki kekurangan yaitu:
1. Kurang mampu untuk melakukan operasi numerik dengan presisi tinggi.
2. Kurang mampu melakukan operasi algoritma aritmatik, operasi logika
dan simbolis.
3. Lamanya proses pelatihan untuk jumlah data yang besar
2.1.1 Perbandingan Antara Jaringan Saraf Biologis dengan Jaringan
Syaraf Tiruan
Salah satu contoh pengambilan ide dari jaringan saraf biologis adalah adanya
elemen-elemen pemrosesan pada jaringan syaraf tiruan yang saling terhubung dan
bekerja secara bersamaan. Ini mirip dengan jaringan saraf biologis yang tersusun dari
sel-sel saraf (neuron). Cara kerja dari elemen-elemen jaringan syaraf tiruan juga sama
seperti cara neuron mengkodekan kembali informasi yang diterima (Puspitaningrum,
2006).
Gambar 2.1 Sel Saraf Biologis
II-3
Komponen utama dari sebuah neuron dapat dikelompokkan menjadi 3
bagian, yaitu:
1. Dendrit. Dendrit bertugas untuk menerima informasi.
2. Cell body (soma). Badan sel berfungsi sebagai tempat pengolahan informasi.
3. Axon (neurit). Akson mengirimkan impuls-impuls ke sel saraf lainnya.
Neuron menerima impuls-impuls sinyal dari neuron melalui dendrit dan
mengirimkan sinyal yang dibangkitkan oleh badan sel melalui akson. Akson dari sel
saraf berhubungan dengan dendrit dari sel saraf lainnya lalu mengirimkan impuls
melalui sinapsis. Sinapsis merupakan penghubung dua buah sel saraf. Dimana yang
satu adalah serabut akson dari neuron A dan satunya lagi dendrit neuron B. Kekuatan
sinapsis ini bisa menurun atau meningkat tergantung seberapa besar tingkat propagasi
(penyiaran) sinyal yang diterimanya.
Cara belajar jaringan syaraf tiruan sebagai berikut: jaringan syaraf tiruan
diinputkan informasi yang sebelumnya telah diketahui hasil keluarannya.
Penginputan informasi ini dilakukan lewat nod atau unit input. Bobot antarkoneksi
dalam suatu arsitektur diberi nilai awal lalu jaringan saraf tiruan dijalankan. Bobot ini
digunakan untuk pembelajaran dan mengingat suatu informasi. Pengaturan bobot
dilakukan secara terus menerus dan menggunakan kriteria tertentu sampai diperoleh
keluaran yang diharapkan.
Jaringan syaraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf
biologis:
1. Pengolahan informasi terjadi pada elemen-elemen penmrosesan
(neuron-neuron)
2. Sinyal antara dua buah neuron diteruskan melalui link-link koneksi.
3. Setiap link koneksi memiliki bobot terasosiasi.
4. Setiap neuron menerapkan sebuah fungsi aktivasi terhadap input jaringan
(jumlah sinyal input berbobot). Tujuannya adalah untuk menentukan sinyal
output. Fungsi aktivasi yang digunakan biasanya fungsi yang nonlinier.
II-4
Tabel 2.1 Perbandingan jaringan syaraf tiruan terhadap jaringan saraf biologis
Jaringan Syaraf Tiruan Jaringan Saraf Biologis
Node atau unit Badan sel (soma)
input Dendrit
output Akson
bobot Sinapsis
2.1.2 Fungsi Aktivasi
Fungsi aktivasi adalah fungsi yang menggambarkan hubungan tingkat aktivasi
internal (summation function) berbentuk linear atau nonlinear. Berikut beberapa
fungsi aktivasi JST (Fausett, 1994 dalam Desiani, 2006) :
1. Fungsi Tangga Biner
Fungsi tangga biner adalah fungsi identitas pembulatan pada pembulatan 𝜃.
Untuk 𝜃 = 1 fungsi ini hanya akan menghasilkan nilai 1 atau 0. Rumusnya dapat
dituliskan sebagai berikut :
𝑓(𝑥) = {1, 𝑗𝑖𝑘𝑎 𝑥 ≥ 𝜃0, 𝑗𝑖𝑘𝑎 𝑥 < 𝜃
..............................................................................(2.1)
2. Fungsi Sigmoid-Biner
Fungsi sigmoid-biner bergantung pada steepness parameter (𝜎). Agar fungsi ini
menghasilkan nilai yang dibatasi oleh bilangan biner (0 sampai 1) maka 𝜎 = 1
akan menghasilkan grafik kontinu yang tidak linier. Rumusnyaa dapat dituliskan
sebagai berikut :
𝑓(𝑥) = 1
1+𝑒−𝜎𝑥 .......................................................................................... (2.2)
3. Fungsi Gaussian
Fungsi gaussian adalah fungsi berbasis radial yang mengacu pada jarak data
dengan suatu pusat data. Rumus basis radial yang digunakan pada umumnya
nonlinier (Samosir dkk, 2015) yaitu :
𝜑 (‖𝑥 − 𝑐‖) = 𝑒−(𝑏1∗𝐷𝑖,𝑘)2........................................................................(2.3)
II-5
2.2 Radial Basis Function (RBF)
RBF merupakan metode Jaringan Saraf Tiruan yang menggunakan metode
pelatihan terbimbing (Supervised) dan tidak terbimbing (Unsupervised) (Azmi,
2016). Struktur jaringan RBF terdiri dari dua lapisan, lapisan tersembunyi (hidden
layer) nonlinier dan lapisan output linier. Selain memiliki kemampuan yang bagus
untuk melakukan klasifikasi, RBF juga mempunyai tingkat kecepatan dan tingkat
akurasi yang tinggi (Soesanto, 2015).
2.2.1 Struktur Jaringan RBF
Radial basis function memiliki tiga jaringan dalam (Kusaedi, 2004), yaitu :
input layer , hidden layer dan output layer.
1. Input layer
Input layer ini membaca data dari faktor luar yaitu unit sensor dan nilai yang
kita butuhkan. Pada input layer memakai 2 input yang berasal dari nilai feedback
dan referensi yang diinginkan.
2. Hidden Layer
Pada layer ini terjadi aktifitas perumusan dalam pembentukan sistem
algoritma yang digunakan dalam jaringan RBF. Hidden Layer kedua adalah
lapisan tersembunyi untuk melayani suatu tujuan pada fungsi basis dan bobotnya
dengan nilai yang berbeda.
3. Output layer
Output layer membaca jaringan sesuai pola yang didapatkan pada input layer.
Transformasi dari ruang masukan ke ruang hidden unit berupa non linier, sedang
transformasi dari ruang hidden unit ke ruang keluaran berupa linier.
2.2.2 Algoritma Pelatihan Jaringan RBF
RBF memiliki proses dari Input Layer menuju lapisan Hidden Layer
menggunakan unsupervised learning dan proses yang terjadi dari lapisan tersembunyi
menuju Output Layer menggunakan supervised learning. Struktur algoritma JST RBF
II-6
(penerapan jaringan syaraf tiruan dengan radial basis function untuk pengenalan
genre musik, 2012) dapat dilihat pada Gambar 2.1.
Gambar 2.2 Ilustrasi Jaringan Radial Basis Function (Gradhianta, 2012)
Algoritma RBF adalah sebagai berikut (Samosir dkk, 2015):
Langkah 1 : Menghitung ‖𝑥𝑖 − 𝑥𝑘‖ yaitu jarak Euclidean
‖𝑥𝑖 − 𝑥𝑘‖ = 𝐷𝑖,𝑘 = √∑ (𝑥𝑖,𝑗 − 𝑥𝑘,𝑗)2 𝑝𝑗=1 ..................................................... (2.4)
dimana i,k = 1, 2, ..., n, j = 1, 2, ...p
Langkah 2 : Menghitung 𝜑𝑖,𝑘 = 𝜑 ‖𝑥𝑖 − 𝑥𝑘‖ hasil aktivasi dengan fungsi basis
radial dari jarak data dikalikan b1.
𝜑𝑖,𝑘 = 𝑒−(𝑏1∗𝐷𝑖,𝑘)2............................................................................................. (2.5)
Dengan : b1 = √− ln(0.5)
𝜎(𝑠𝑝𝑟𝑒𝑎𝑑), spread merupakan bilangan real positif.
Dengan nilai Spread 1, maka nilai b1 = 0.83255
Langkah 3 : Menghitung bobot pelatihan dengan mengunakan rumus :
𝑤 = (𝐺𝑇 𝐺) −1 𝐺𝑇 𝑑 ........................................................................................ (2.6)
Langkah 4 : Menghitung output RBFN
y = ∑𝜑 𝑤 + b ................................................................................................ (2.7)
II-7
Keterangan:
xi = vector input data
xk = vector center
𝜑 = fungsi Gaussian
σ = nilai spread
w = nilai bobot
b = bias
G = nilai Gaussian (𝜑)
d = biner target
y = biner output rbf
2.3 Normalisasi
Normalisasi adalah proses penyederhanaan nilai untuk mendapatkan nilai
normalisasi yang kecil dalam rentang 0 – 1. Normalisasi data bertujuan untuk
menghindari dominasi antara variabel yang bernilai besar dan variabel bernilai kecil,
berikut rumus normalisasi (Giusti dkk, 2018).
d * =
𝑑−𝑚𝑖𝑛
max−𝑚𝑖𝑛 ............................................................................ (2.8)
Keterangan:
d* : nilai setelah dinormalisasi,
d : nilai sebelum dinormalisasi,
min(d) : nilai minimum,
max(d) : nilai maksimum,
Untuk normalisasi pada variabel penduduk miskin, air, stunting, fasilitas
kesehatan dan NCPR dilakukan dengan metode rank (Budianita, 2015). Berikut
rumus normalisasi rank:
X = 𝑟−1
𝑅−1 ............................................................................ (2.9)
II-8
Keterangan:
r adalah convert rank
R adalah max r
2.4 Pengujian Akurasi
Pengujian dilakukan melalui perhitungan akurasi hasil pelatihan algoritma RBF
dengan menghitung nilai akurasi menggunakan Confusion Matrix. Confusion matrix
merupakan proses yang menampilkan jumlah data uji yang benar diklasifikasikan dan
jumlah data uji yang salah diklasifikasikan. Tabel confusion matrix dapat dilihat pada
tabel 2.2.
Tabel 2.2 Contoh Tabel Confusion Matrix Untuk Klasifikasi Dua Kelas
Hasil Observasi Kelas Hasil Prediksi
Kelas pos Kelas neg
Kelas positif Tp Fn
Kelas negatif Fp Tn
Untuk menghitung ketepatan akurasi jaringan RBF menggunakan rumus
Confussion Matrix sebagai berikut (Wati, 2016) :
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝑇𝑃+𝑇𝑁
𝑇𝑃+𝐹𝑁+𝐹𝑃+𝑇𝑁 ........................................................ (2.10)
Keterangan :
TP = True Positive
TN = True Negative
FN = False Negative
FP = False Positive
2.5 Rawan Pangan
Dalam Undang-undang Pangan Nomor 18 tahun 2012, ketahanan pangan
adalah kondisi terpenuhinya pangan bagi negara sampai dengan perseorangan, yang
tercermin dari tersedianya pangan yang cukup, baik jumlah maupun mutunya, aman,
beragam, bergizi, merata, dan terjangkau serta tidak bertentangan dengan agama,
II-9
keyakinan, dan budaya masyarakat, untuk dapat hidup sehat, aktif dan produktif
secara berkelanjutan Jika kondisi pangan bagi negara dan individu tidak terpenuhi
maka kondisi yang terjadi adalah kondisi kerawanan pangan, sehingga kerawanan
pangan merupakan kondisi tidak tersedianya pangan yang mencukupi bagi individu
untuk memenuhi konsumsi makanannya dan berada dibawah jumlah kalori minimum
yang dibutuhkan. Kondisi rawan pangan merupakan salah satu masalah pangan yang
disebabkan oleh banyak faktor (BAKEPANG, 2015)
Dalam Undang-undang Pangan Nomor 18 tahun 2012, kondisi rawan pangan
mengandung beberapa komponen penting yaitu:
1. Tidak adanya akses secara ekonomi bagi individu dan rumah tangga untuk
memperoleh pangan yang cukup.
2. Tidak adanya akses secara fisik bagi individu atau rumah tangga untuk
memperoleh pangan yang cukup.
3. Tidak tercukupinya pangan untuk kehidupan yang produktif.
4. Tidak terpenuhinya pangan secara cukup dalam jumlah, mutu, ragam dan
keamanan serta keterjangkauan harga.
Kondisi rawan pangan dapat dibedakan berdasarkan waktunya yaitu:
1. Rawan Pangan Kronis
Rawan pangan kronis adalah ketidakmampuan rumah tangga untuk memenuhi
standar minimum kebutuhan pangan anggota keluarganya pada waktu yang lama
karena keterbatasan ekonomi.
2. Rawan Pangan Transien.
Rawan pangan transien adalah suatu keadaan rawan pangan yang bersifat
mendadak dan sementara yang disebabkan oleh bencana alam atau perilaku
manusia seperti terror atau peperangan.
Akibat rawan pangan dapat beupa kelaparan, kurang gizi, gangguan kesehatan
dan berbagai gangguan lainnya yang bersifat biologis dan bahkan dapat menyebabkan
tingkat kematian. Tanda-tanda terjadinya rawan pangan cukup banyak, yaitu :
1. Terjadinya eksplosi hama dan penyakit pada tanaman.
II-10
2. Terjadinya bencana alam berupa kekeringan, banjir, gempa bumi, gunung
meletus, dan lain lain.
3. Terjadinya kegagalan tanaman pangan makanan pokok.
4. Terjadinya penurunan ketersediaan bahan pangan.
2.5.1 Food Security and Vulnerability Atlas (FSVA)
Sejak tahun 2002, Pemerintah Indonesia membuat kebijakan berupa
penyusunan peta ketahanan dan kerentanan pangan untuk mengidentifikasi
kabupaten-kabupaten paling rentan terhadap kerawanan pangan dan gizi yang disebut
Food Security and Vulnerability Atlas (FSVA), serta memberi informasi kepada
proses pembuatan kebijakan di bidang ketahanan pangan dan gizi (BAKEPANG,
2017). Pemetaan daerah potensi rawan pangan tingkat kabupaten menggunakan
indikator sesuai Pedoman Penyusunan FSVA Kabupaten 2017 dalam , yaitu :
1. Status penduduk miskin
Kemiskinan mengakibatkan ketidakmampuan dalam mencukupi bahan pangan
untuk individu ataupun keluarga sebagai kebutuhan dasar secara layak. Kemiskinan
merupakan hal terpenting dalam menentukan tingkat ketahanan pangan suatu daerah.
Kriteria keluarga miskin karena alasan ekonomi tidak dapat memenuhi salah satu
kebutuhan sebagai berikut:
a. Keluarga makan daging/ikan/telor paling kurang sekali seminggu.
b. Memiliki satu stel pakaian baru untuk seluruh anggota keluarga dalam setahun
terakhir.
c. Luas lantai rumah paling kurang 8 M2 untuk tiap penghuni.
Kategori penduduk miskin dalam penelitian ini terdiri dari 6 yaitu sangat tidak
layak, tidak layak, cukup layak, hampir layak, layak dan sangat layak.
2. Angka harapan hidup
Angka harapan hidup pada saat lahir adalah perkiraan lama hidup rata-rata bayi
baru lahir dengan asumsi tidak ada perubahan pola mortalitas sepanjang hidupnya.
Fator ini merupakan indikator penting untuk mengukur kinerja kualitas pelayanan
II-11
kesehatan kelompok usia yang rentan terkena penyakit. Indikator ini merupakan hal
yang terkait dengan pola asuh, pengetahuan gizi, dan kebiasaan menjaga kesehatan
dalam masyarakat.
3. Rumah tangga tanpa akses listrik
Indikator ini melingkupi rumah tangga yang tidak memiliki akses terhadap
listrik dari PLN dan non PLN, misalnya generator. Listrik adalah faktor penting yang
mendukung kegiatan ekonomi suatu daerah. Tersedianya listrik di suatu wilayah akan
membuka peluang lebih besar untuk akses pekerjaan dan perekonomian akan lebih
berkembang.
4. Air Bersih
Rumah tangga tanpa akses air bersih yaitu rumah tangga yang tidak memiliki
akses ke air minum yang berasal dari leding meteran, leding eceran, sumur
bor/pompa, sumur terlindung, mata air terlindung dan air hujan (yang ditampung dan
dialirkan ke rumah dengan menggunakan pipa pralon/pipa leding) dengan
memperhatikan jarak ke jamban minimal 10 m. Air yang tidak bersih akan
mempengaruhi nutrisi karena akan meningkatkan angka penyakit dan menurunkan
kemampuan dalam menyerap makanan. Kategori air bersih terdiri dari 6 yaitu sangat
tidak bersih, tidak bersih, cukup bersih, hampir bersih, bersih dan sangat bersih.
5. Perempuan buta huruf
Persentase perempuan buta huruf adalah persentase persentase perempuan
diatas 15 tahun yang tidak dapat membaca atau menulis huruf latin. Tingkat
pendidikan perempuan terutama ibu sangat berpengaruh terhadap status kesehatan
dan gizi karna menjadi hal terpenting dalam pemanfaatan pangan.
6. Tinggi badan balita di bawah standar (Stunting)
Faktor yang mempengaruhi gizi balita adalah situasi ketahanan pangan, rumah
tangga, status gizi dan kesehatan ibu, pendidikan ibu, pola asuh anak, akses air bersih
dan akses pelayanan yang memadai. Untuk mengetahui seorang balita memiliki tinggi
badan kurang atau tidak, maka harus dilakukan pengukuran tinggi badan dan
II-12
pencatatan umur. Kategori balita pendek terdiri dari 4 yaitu sangat tidak ideal, tidak
ideal, cukup ideal dan ideal.
7. Akses jalan yang memadai
Desa yang tidak memiliki akses jalan yang memadai adalah desa yang tidak
memiliki jalan yang dapat dilalui kendaraan roda 4 dan desa dengan sarana
transportasi air minum namun tidak memiliki angkutan umum. Jika suatu daerah
memiliki jalan yang dapat dilalui kendaraan roda 4 atau lebih maka dikatakan daerah
tersebut memiliki jalur distribusi pangan yang normal sehingga harga pangan pun
relatif terjangkau.
8. Jarak dari fasilitas kesehatan
Persentase keluarga yang tinggal di desa dengan jarak lebih dari 5 kilometer
dari fasilitas kesehatan seperti puskesmas, puskesmas pembantu, rumah sakit, klinik,
dokter dan bidan, dan lain sebagainya merupakan indikator penting karena
menurunkan angka kesakitan penduduk dan meningkatkan pengetahuan masyarakat
tentang pentingnya makanan bergizi seimbang. Kategori rumah tangga yang memiliki
jarak jauh dari fasilitas kesehatan terdiri dari 6 yaitu sangat banyak, banyak, cukup
banyak, hampir banyak, sedikit dan sangat sedikit.
9. Rasio konsumsi normatif terhadap ketersediaan bersih serealia (NCPR)
Rasio konsumsi normatif per kapita terhadap ketersediaan bersih serealia yaitu
padi, jagung, ubi kayu dan ubi jalar. Kategori NCPR terdiri dari 6 yaitu sangat defisit
pangan, defisit pngan, cukup defisit pangan, hampir defisit pangan, surplus pangan
dan sangat surplus pangan.
2.6 Penelitian Terkait
Penelitian-penelitian terkait akan dijelaskan dalam bentuk tabel pada Tabel
2.1 berikut:
II-13
Tabel 2.2 Penelitian Terkait
No Penulis dan Tahun Judul Metode Hasil
1. (Wulandari, 2016) Analisis Tingkat
Ketahanan Pangan
Terhadap Kerawanan
Pangan Di Kabupaten
Jombang Tahun 2015
Sistem
Informasi
Geografis
Implementasi daerah ketahanan
dapat dilihat melalui peta dan
sangat membantu untuk proses
analis penyebab rentan pangan di
daerah jombang. Faktor dominan
yang mempengaruhi tingkat
ketahanan pangan terhadap
kerawanan pangan berdasarkan 9
parameter ketahanan pangan yang
digunakan, yaitu parameter
penduduk hidup di bawah garis
kemiskinan.
2. (Pinem, 2016) Implementasi Oracle
Spatial Untuk Pemetaan
Ketahanan Dan
Kerawanan Pangan Di
Kabupaten Brebes
Oracle Spatial Implementasi Oracle Spatial
pemetaan Ketahanan dan
Kerentanan Pangan dapat menjadi
solusi dalam menentukan status
ketahanan pangan sehingga
membantu dalam proses analisis
penyebab rentan pangan di suatu
daerah. Secara spasial terlihat
bahwa beberapa kecamatan
memiliki status yang berbeda-beda.
Hal ini menunjukan apabila objek
penelitian difokuskan, maka akan
terlihat lebih detail penyebab status
ketahanan pangan suatu daerah.
3. (Azmi, 2016) Analisis Learning Jaringan
RBF (Radial Basis
Function Network)
Pada Pengenalan Pola
Alfanumerik
Radial Basis
Function
Analisis pengujan pembelajaran
terhadap jaringan
radial basis function (RBF
network) diperoleh
pembalajaran yang baik yaitu 95%,
karena
II-14
No Penulis dan Tahun Judul Metode Hasil
perhitungan iterasi yang cepat
dengan menggunakan
perhitungan matriks Gaussian
dengan model jaringan multilayer
prceptron (MLP network).
4. (Pratiwi, 2015) Mammograms
Classification using Gray-
level Co-occurrence
Matrix and Radial Basis
Function Neural Network
Radial Basis
Function dan
Back
Propagation
Neural Network
Penelitian ini mengklasifikasikan
mammogram kanker payudara dan
perbandingan hasil klasifikasi
dengan BPNN dimana diperoleh
tingkat akurasi dari RBF adalah
sebesar 94, 29% untuk klasifikasi
kanker jinak dan ganas sedangkan
BPNN akurasinya adalah 92,1%.
5. (Oktafiani, 2015) Perbandingan Metode
Klasifikasi Regresi
Logistik Biner Dan Radial
Basis Function Network
Pada Berat Bayi Lahir
Rendah
Regresi Logistik
Biner Dan
Radial Basis
Function
Metode Radial Basis Function
Network (RBFN) menghasilkan
akurasi lebih tinggi dibandingkan
metode Regresi Logistik Biner,
baik untuk data training maupun
data testing. Ketepatan klasifikasi
bayi baru lahir pada Puskesmas
Pamenang Kota Jambi
menggunakan RBFN adalah
sebesar 92,96% untuk data training
dan 80,64% untuk data testing.
6. (Nugroho, 2012) Adaptive Genetic
Algorithm (AGA) Radial
Basis
Function Neural Network
Radial Basis
Function
Algoritma untuk klasifikasi adalah
menggunakan RBF dengan
menggunakan arsitektur dengan 6
hidden layer.
II-15
No Penulis dan Tahun Judul Metode Hasil
Untuk Klasifikasi
7. (Syamsiah, 2011) Sistem Klasifikasi
Indikator Daerah rawan
Pangan Menggunakan
Database Fuzzy Tahani
Fuzzy Tahani Hasil dari penelitian ini sistem
dapat mengenali daerah sesuai 6
indikator yaitu sangat rawan,
rawan, agak rawan, cukup tahan,
tahan dan sangat tahan.
8. (Ulfasari, 2010) Perbandingan Performansi
Jaringan Learning
Vector Quantization (Lvq)
Dan Radial Basis
Function (Rbf) Untuk
Permasalahan Klasifikasi
Penyakit Karies Gigi
Learning
Vector
Quantization
(LVQ) dan
Radial Basis
Function (RBF)
Dari kedua metode ini yaitu LVQ
dan RBF, terlihat bahwa meskipun
arsitektur dari kedua metode
memberikan performansi
klasifikasi dengan rata-rata yang
hampir sama,
namun terlihat bahwa jaringan RBF
memberikan tingkat akurasi yang
lebih tinggi daripada jaringan LVQ.
Menghasilkan error sebesar 0.3093
dan persentasi sebesar 69. RBF
menghasilkan error training
sebesar 0.2000. Sedangkan error
testing yang dihasilkan adalah
0,2600 dan waktu yang diperlukan
untuk melakukan testing adalah
2.284566 seconds.
9. (Sari, 1996) Sistem Informasi
Geografis Penentuan
Daerah Potensi Rawan
Pangan
Sistem
Informasi
Geografis
Hasil perhitungan dengan
menggunakan Metode PCA dan
cluster observation menunjukkan
bahwa data dari semua indikator
yang dianalisis menghasilkan
tingkat kepercayaan sampai sebesar
96% .
10 (Patmasari, 2017) Penerapan Metode
Jaringan Syaraf Tiruan
Radial Basis Function
Radial Basis
Function
Hasil pengujian data balita
Training sebesar 90% dengan 108
data balita, 80% dengan 96 data
II-16
No Penulis dan Tahun Judul Metode Hasil
Untuk Klasifikasi Status
Gizi Balita
balita dan 70% dengan 84 data
balita. Kemudian dengan nilai
spread 1 sampai 10, maka nilai
Akurasi tertinggi sebesar 79.52%
dan Error 20.48% terletak pada
nilai spread 1 dengan data balita
sebesar 70%, untuk nilai Akurasi
terendah sebesar 31.19% dan Error
68.81% pada nilai spread 4 dan 6.
Kemudian hasil pengujian data
balita Testing sebesar 10% dengan
12 data balita, 20% dengan 24 data
balita dan 30% dengan 36 data
balita. Kemudian dengan nilai
spread 1 sampai 10, maka nilai
Akurasi tertinggi sebesar 72.22%
dan Error 27.77% terletak pada
nilai spread 1 dengan data balita
sebesar 30%, untuk nilai Akurasi
terendah sebesar 31.19% dan Error
68.81% pada nilai spread 4 dan 8.
11 (Gradhianta, 2015) Penerapan jaringan syaraf
tiruan dengan radial basis
function untuk pengenalan
genre musik
Radial basis
function
Akurasi pengenalan jenis musik
sebesar: 54,17% pada data musik
berdurasi 2 detik, 70,83% pada data
musik berdurasi 5 detik, dan 75%
pada data musik berdurasi 10 detik.
BAB III
METODOLOGI PENELITIAN
3.1 Tahapan Penelitian
Metodologi penelitian merupakan suatu panduan dalam melakukan sebuah
penelitian. Metodologi penelitian berisi tentang rencana kerja yang saling
berurutan untuk menghasilkan output yang baik seperti yang diharapkan. Berikut
ini metodologi penelitian yang digunakan dalam penelitian dengan judul
“Penerapan Radial Basis Function (RBF) untuk Klasifikasi Daerah Rawan
Pangan”.
Gambar 3.1 Tahapan Metodologi Penelitian
III-2
3.2 Perumusan Masalah
Pada tahap ini adalah tahap pertama dalam metodologi penelitian. Rumusan
masalah dalam penelitian ini yaitu bagaimana merancang dan membangun suatu
aplikasi jaringan syaraf tiruan dengan menerapkan metode Radial Basis Function
(RBF) untuk Klasifikasi Daerah Rawan Pangan.
3.3 Pengumpulan Data
Pada tahap pengumpulan data ini akan dilakukan pengumpulan data-data
yang akan menjadi pedoman ketika perancangan dan pembangunan aplikasi
jaringan syaraf tiruan dengan menerapkan Radial Basis Function untuk
Klasifikasi Daerah Rawan Pangan. Pengumpulan data yang dilakukan adalah data
primer dari Dinas Ketahanan Pangan Provinsi Riau yang terdiri dari 10 Kabupaten
dengan 138 kecamatan di Provinsi Riau, yaitu yaitu Kabupaten Kampar,
Kabupaten Indragiri Hulu, Kabupaten Bengkalis, Kabupaten Indragiri Hilir,
Kabupaten Pelalawan, Kabupaten Rokan Hulu, Kabupaten Rokan Hilir,
Kabupaten Siak, Kabupaten Kuantan Singingi dan Kabupaten Kepulauan Meranti.
Data didapatkan dari kantor Dinas Ketahanan Pangan Provinsi Riau. Data input
berupa jumlah penduduk miskin, angka harapan hidup, rumah tangga tanpa akses
listrik, air bersih, perempuan buta huruf, tinggi badan balita di bawah standar,
akses jalan yang memadai, jarak dari fasilitas kesehatan, rasio konsumsi normatif
terhadap ketersediaan bersih serealia (NCPR). Data yang akan di proses
berjumlah 276 data pada tahun 2015 dan 2018.
3.4 Studi Pustaka
Studi pustaka merupakan metode pengumpulan data dengan bersumber
literatur-literatur terkait penelitian. Pada studi pustaka ini penulis melihat buku-
buku yang berkaitan dengan penyusunan peta rawan pangan dan bersumber dari
jurnal yang pernah meneliti tentang rawan pangan.
III-3
3.5 Analisa dan Perancangan Sistem
Analisa dan perancangan sistem adalah tahapan rangkaian kebutuhan baik
dari data, analisa model, analisa sistem serta perancangan dari sistem yang akan
dibangun agar implementasi dari sistem yang akan dibuat sesuai dengan
kebutuhan dan yang diharapkan.
3.5.1 Analisa Kebutuhan Data
Tahapan analisa model ini terdiri dari data inputan, pembagian data, dan
pembelajaran algoritma Radial Basis Function (RBF).
1. Data Inputan
Tahapan ini menentukan data inputan yang akan dimasukan ke dalam
sistem. Data inputan yang digunakan dalam penelitian ini adalah berupa faktor
rawan pangan sebanyak 9 variabel. Adapun faktor tersebut adalah :
1. Jumlah penduduk miskin
2. Angka harapan hidup
3. Rumah tangga tanpa akses listrik
4. Air Bersih
5. Perempuan usia 15+ buta huruf
6. Tinggi badan balita di bawah standar (Stunting)
7. Akses jalan yang memadai
8. Jarak dari fasilitas kesehatan
9. Rasio konsumsi normatif terhadap ketersediaan bersih serealia (NCPR)
2. Normalisasi
Normalisasi adalah proses penyederhanaan nilai untuk mendapatkan nilai
normalisasi yang kecil. Data di skalakan dalam rentang 0 – 1. Normalisasi data
bertujuan untuk mendapatkan data dengan ukuran yang lebih kecil untuk
menghindari dominasi antara variabel yang bernilai besar dan variabel bernilai kecil
sesuai dengan persamaan 2.8.
3. Pembagian Data
Pembagian data dalam penelitian ini menggunakan K-Fold Cross
Validation, yaitu membagi partisi menjadi data uji dan selebihnya menjadi data
III-4
latih. Langkah ini diulangi sebanyak K kali. Dalam penelitian ini terdapat 12
Fold, dimulai dari fold 1, fold 2, fold 3, fold 4, fold 5, fold 6, fold 7, fold 8, fold 9,
fold 10, fold 11 dan fold 12.
Untuk pembagian data latih dan data uji pada masing-masing fold dapat
dilihat sebagai berikut:
Tabel 3.4 Rincian Data Masing-Masing Fold Fold ke- Data Uji Data Latih
1 U1-23 L24-276
2 U24-46 L1-23, L47-276
3 U47-69 L1-46, L70-276
4 U70-92 L1-69, L93-276
5 U93-115 L1-92, L116-276
6 U116-138 L1-115, L139-276
7 U139-161 L1-138, L162-276
8 U162-184 L1-161, L185-276
9 U185-207 L1-184, L208-276
10 U208-230 L1-207, L231-276
11 U231-253 L1-230, L256-276
12 U254-276 L1-253
3.5.2 Metode Radial Basis Function (RBF)
Pada penelitian ini, RBF digunakan untuk mengklasifikasikan tingkat level
daerah rawan pangan. Adapun tahapan klasifikasi metode RBF tersebut dapat
dilihat dari Gambar 3.2 sebagai berikut.
Gambar 3.2 Tahapan Proses Klasifikasi Metode RBF
III-5
Berikut penjelasan dari tahapan proses yang dilakukan dalam penerapan
metode Radial Basis Function (RBF) untuk klasifikasi daerah rawan pangan:
1. Input data
Input data merupakan langkah awal yang dilakukan pada tahapan analisa dan
pada tahapan ini ditentukan variabel-variabel input, dimana terdapat 9 variabel.
2. Normalisasi Data
Normalisasi data dilakukan untuk mendapatkan data pada rentang ukuran
yang lebih kecil (dalam range 0 sampai 1) tanpa menghilangkan nilai dari data asli
menggunakan persamaan (2.8).
3. Tahapan RBF
Terdapat dua tahpan pada Radial Basis Function (RBF) yaitu tahap pelatihan
(training) dan tahap pengujian (testing). Langkah awal yang dilakukan adalah
menentukan nilai center yang dipilih secara acak dimana nilai center akan
digunakan untuk proses training dan testing. Nilai center akan mempengaruhi
arsitektur jaringan RBF karena banyaknya center akan menjadi neuron pada
hidden layer. Tahap pelatihan jaringan RBF setelah menentukan nilai center maka
selanjutnya menghitung jarak eunclidean menggunakan persamaan (2.4). Lalu,
dilakukan penentuan nilai fungsi basis. Fungsi basis ini digunakan untuk aktivasi
fungsi di hidden layer. Fungsi basis yang digunakan adalah fungsi berbasis radial
yaitu fungsi Gaussian. Adapun fungsi aktivasi gaussian terdapat pada persamaan
(2.5). Langkah selanjutnya melakukan perhitungan nilai bobot pelatihan
menggunakan persamaan (2.6). Setelah diperoleh hasil akhir bobot menggunakan
persamaan (2.6) tersebut selanjutnya melakukan tahapan pengujian. Tahapan
pengujian Jaringan RBF menggunakan bobot dari hasil pelatihan, kemudian
menghitung keluaran RBF menggunakan persamaan (2.7).
4. Output
Output merupakan hasil keluaran yang diharapkan untuk sistem klasifikasi
daerah rawan pangan menggunakan metode RBF. Adapun output dari sistem
klasifikasi daerah rawan pangan adalah sangat rawan, rawan, agak rawan, cukup
tahan, tahan dan sangat tahan.
III-6
3.5.3 Analisa Sistem
Analisa sistem adalah tahap yang akan dilakukan terkait penelitian ataupun
proses yang dilakukan didalam sistem. Pada proses analisa ini pembuatan contect
diagram, entity relationship diagram dan data flow diagram.
1. Entity Relationship Diagram
ERD (Entity Relationship Diagram) adalah suatu model untuk menjelaskan
hubungan antar data dalam basis data berdasarkan objek-objek dasar data yang
mempunyai hubungan antar relasi.
2. Context Diagram
Diagram konteks adalah diagram yang terdiri dari suatu proses dan
menggambarkan ruang lingkup suatu sistem. Diagram konteks merupakan level
tertinggi dari DFD yang menggambarkan seluruh input ke sistem atau output dari
sistem.
3. Data Flow Diagram
DFD merupakan suatu diagram yang menggambarkan pergerakan aliran data
darimana asal data dan tujuan dari data tersebut, data tersebut akan mengalir
melalui proses-proses yang ada dan stakeholder yang berinteraksi dengan sistem.
3.6 Perancangan Sistem
Perancangan sistem bertujuan untuk membuat detail sistem agar lebih
mudah dipahami dan digunakan oleh pengguna. Dalam proses perancangan
memiliki beberapa proses, yaitu :
1. Perancangan subsistem data
Pada perancangan ini berisi tabel, field, dan atribut yang akan digunakan pada
database sistem.
2. Perancangan subsistem model
Pada tahap ini berisi pseudocode sistem yang akan dibangun dengan
berdasarkan pada Radial Basis Function (RBF).
3. Perancangan subsistem dialog
Pada tahap ini berisi tampilan menu dan tampilan yang telah disepakati.
III-7
3.7 Implementasi dan Pengujian
Implementasi dan pengujian merupakan tahapan yang akan dilakukan
setelah perancangan sistem untuk menerapkan rancangan yang telah dibuat serta
melihat pengujian dari sistem yang akan dibangun.
3.7.1 Implementasi
Implementasi merupakan tahapan membuat modul yang telah dirancang
sebelumnya dengan menggunakan bahasa pemrograman yang akan digunakan
dalam proses pembangunan sistem. Dalam penerapan aplikasi dibutuhkan
perangkat keras dan perangkat lunak. Adapun perangkat keras yang dibutuhkan
adalah :
1. Processor : Intel Core i3
2. Memory : RAM 2 GB
Perangkat lunak yang digunakan adalah :
1. Operation System : Windows 7
2. Bahasa Pemrograman : PHP version 5.6.32
3. DBMS : MySQL
4. Browser : Mozilla Firefox
3.7.2 Pengujian Sistem
Tahap Pengujian merupakan tahapan dimana aplikasi akan dijalankan.
Tahap pengujian diperlukan untuk menjadi ukuran bahwa sistem dapat dijalankan
sesuai dengan tujuan. Pengujian dilakukan dengan tiga cara, sebagai berikut:
1. Pengujian Black Box
Pengujian blackbox dilakukan dengan pengujian sistem berdasarkan
implementasi yang telah dikerjakan. Hal ini dilakukan untuk mengetahui apakah
sistem yang dibangun sudah berjalan dengan semestinya atau belum.
2. Pengujian Parameter dengan Confusion Matrix
Pengujian parameter berguna untuk menguji metode yang diterapkan dalam
sistem. Pengujian dengan penerapan metode yang digunakan mampu
menghasilkan sistem/aplikasi yang sesuai dengan kebutuhan dan menguji tingkat
akurasi metode Radial Basis Function (RBF). Pembagian data latih dan data uji
III-8
menggunakan 12 fold dengan Parameter RBF yang digunakan adalah nilai spread
dengan nilai 1 sampai nilai spread 3.
3.8 Kesimpulan dan Saran
Tahapan ini merupakan tahapan kesimpulan tentang sistem, apakah sistem
yang dibangun dapat berjalan dengan baik dan sesuai dengan kebutuhan serta
melihat tingkat akurasi dan performansi algoritma Radial Basis Function (RBF)
dalam aksus klasifikasi daerah rawan pangan. Dalam tahapan saran merupakan
saran yang dapat diberikan oleh penulis untuk perkembangan penelitian
selanjutnya hingga menjadi sistem yang sangat kompleks.
BAB IV
ANALISA DAN PERANCANGAN
Analisa dan perancangan merupakan tahapan yang berisi cara kerja sistem
yang akan dibangun sehingga dapat dipahami sebelum dilakukan perancangan
sistem. Sedangkan tahapan perancangan merupakan tahapan yang dilakukan
setelah analisa dengan tujuan membangun rancangan sistem berdasarkan analisa
yang telah dilakukan dan membahas prosedur kerja sistem yang akan dibangun.
Pada metode ini akan dilakukan penerapan daerah rawan pangan dengan
random pada metode Radial Basis Function (RBF) berdasarkan 9 parameter yang
digunakan sebagai unit masukan (input) dalam algoritma RBF. Sedangkan unit
keluaran (output) yang digunakan pada metode RBF terdiri dari 6 kelas rawan
pangan.
4.1 Analisa
Pada tahapan analisa proses, terdapat tahapan-tahapan penerapan metode
Radial Basis Function (RBF) untuk klasifikasi daerah rawan pangan. Adapun
analisa yang dilakukan adalah sebagai berikut.
4.1.1 Analisa Kebutuhan Data
Kebutuhan data dalam penelitin ini terdiri dari data inputan, pembagian
data latih dan data uji yang dapat dilihat dibawah ini.
4.1.1.1 Data Inputan
Analisa data inputan adalah analisa terhadap data-data yang akan
digunakan ke dalam sistem untuk mendapatkan pemahaman sistem secara
keseluruhan. Data masukan yang digunakan dapat dilihat pada Tabel 4.1.
Tabel 4.1 Keterangan Variabel Masukan Variabel Input Satuan Nilai
Penduduk Miskin (X1) 1. Sangat tidak layak
2. Tidak layak
3. Cukup layak
4. Hampir layak
5. Layak
6. Sangat layak.
IV-2
Variabel Input Satuan Nilai
Angka Harapan Hidup (X2) Persentase perkiraan lama hidup bayi baru
lahir.
Listrik (X3) Persentase rumah tangga tidak memiliki akses
listrik.
Air (X4) 1. Sangat tidak bersih
2. Tidak bersih
3. Cukup bersih
4. Hampir bersih
5. Bersih
6. Sangat bersih
Buta Huruf (X5) Persentase perempuan buta huruf
Stunting (X6) 1. Sangat tidak ideal
2. Tidak ideal
3. Cukup ideal
4. Ideal
Jalan (X7) Persentase desa tanpa jalan layak
Kesehatan (X8) 1. Sangat banyak
2. Banyak
3. Cukup banyak
4. Hampir banyak
5. Sedikit
6. Sangat sedikit
NCPR (X9) 1. Sangat defisit pangan
2. Defisit pangan
3. Cukup defisit pangan
4. Hampir defisit pangan
5. Surplus pangan
6. Sangat surplus pangan
Selain data masukan, pada metode RBF dalam kasus klasifikasi, target
yang diinginkan sudah ditentukan terlebih dahulu. Dimana target pada daerah
rawan pangan ini dapat dilihat pada Tabel 4.2.
Tabel 4.2 Target Rawan Pangan Kelas Keterangan
1 Sangat Rentan Pangan
2 Rentan Pangan
3 Cukup Rentan Pangan
4 Cukup Tahan Pangan
5 Tahan Pangan
6 Sangat Tahan Pangan
4.1.2 Analisa Metode Radial Basis Function (RBF)
Analisa metode Radial Basis Function (RBF) dimulai dengan tahap data
masukan dinormalisasikan yang bertujuan untuk mendapatkan nilai data dengan
IV-3
range yang lebih kecil (sekitar 0 sampai 1) yang mewakili data asli tanpa
menghilangkan nilai dari data asli tersebut. Oleh karena itu, untuk dapat dikenali oleh
jaringan RBF, data pada variabel masukan diubah dalam bentuk numerik. Hasil dari
nilai normalisasi tersebut digunakan sebagai acuan untuk proses klasifikasi dengan
menggunakan Radial Basis Function (RBF).
4.1.2.1 Normalisasi Data
Pada tahap perhitungan jarak Euclidean memiliki nilai jangkauan atau skala
data yang berbeda-beda. Oleh sebab itu dilakukan normalisasi terhadap nilai atribut
menjadi kisaran 0 sampai 1. Proses normalisasi menggunakan persamaan 2.8. Tabel
4.3 berikut merupakan contoh data daerah rawan pangan.
IV-4
Tabel 4.3 Contoh Data Rawan Pangan Yang Digunakan
No Kabupaten Kecamatan X1 X2 X3 X4 X5 X6 X7 X8 X9 T
1 Kuantan
Singingi
Kuantan
Mudik
Layak 68 1,1 Sangat
Bersih
3,01 Tidak
Ideal
4,17 Sangat
Sedikit
Cukup
Defisit
Pangan
5
2 Kuantan
Singingi
Hulu Kuantan Layak 67 2,3 Sangat
Bersih
3,64 Ideal 6,4 Sangat
Sedikit
Hampir
Defisit
Pangan
6
3 Kuantan
Singingi
Gunung Toar Layak 70 2,4 Sangat
Bersih
4,7 Tidak
Ideal
2,6 Sangat
Sedikit
Sangat
Defisit
Pangan
5
4 Kuantan
Singingi
Singingi Layak 68,5 1,41 Sangat
Bersih
3,03 Tidak
Ideal
1,3 Sangat
Sedikit
Sangat
Defisit
Pangan
6
5 Kuantan
Singingi
Singingi Hilir Layak 70 1,47 Sangat
Bersih
3,68 Tidak
Ideal
2,19 Sangat
Sedikit
Sangat
Defisit
Pangan
5
6 Kuantan
Singingi
Kuantan
Tengah
Sangat
Layak
67,4 1,19 Sangat
Bersih
4,11 Tidak
Ideal
4,7 Sangat
Sedikit
Cukup
Defisit
Pangan
6
7 Kuantan
Singingi
Benai Tidak
Layak
71,5 8,7 Sangat
Bersih
5,6 Sangat
Tidak
Ideal
32,5 Cukup
Banyak
Sangat
Defisit
Pangan
3
... ... ... ... ... ... ... ... ... ... ... ... ...
276 Kepulauan
Meranti
Pulau Merbau Sangat
Tidak
Layak
72,6 17,75 Bersih 7,56 Sangat
Tidak
Ideal
50,2 Sangat
Sedikit
Sangat
Defisit
Pangan
3
IV-5
Proses normalisasi untuk Tabel 4.5 adalah sebagai berikut :
1. Angka Harapan Hidup, Listrik, Buta Huruf, dan Jalan dinormalisasi
menggunakan persamaan (2.8).
1.1.Contoh normalisasi angka harapan hidup:
- Nilai X untuk data = 68
- Nilai min(X) angka harapan hidup = 27,9
- Nilai max(X) angka harapan hidup = 88
- Maka nilai X* (Normalisasi) = X- min(X) / max(X)-min(X)
= 68 – 27,9 / 88 – 27,9
= 0,667
1.2.Contoh normalisasi listrik:
- Nilai X untuk data = 1,1
- Nilai min(X) listrik = 1,1
- Nilai max(X) listrik = 32,5
- Maka nilai X* (Normalisasi) = X- min(X) / max(X)-min(X)
= 1,1 – 1,1 / 32,5 – 1,1
= 0
1.3.Contoh normalisasi buta huruf
- Nilai X untuk data = 3,01
Nilai min(X) buta huruf = 2,09
- Nilai max(X) buta huruf = 38,9
- Maka nilai X* (Normalisasi) = X- min(X) / max(X)-min(X)
= 3,01 – 2,09 / 38,9 – 2,09
= 0,025
1.4.Contoh normalisasi jalan
- Nilai X untuk data = 4,17
- Nilai min(X) jalan = 0,19
- Nilai max(X) jalan = 87,1
IV-6
- Maka nilai X* (Normalisasi) = X- min(X) / max(X)-min(X)
= 4,17 – 0,19 / 87,1 – 0,19
= 0,046
2. Penduduk Miskin, Air, Stunting, Kesehatan dan NCPR dinormalisasi sebagai
berikut.
Contoh normalisasi penduduk miskin :
X1 = r - 1 / R – 1 X2 = r - 1 / R - 1
= 1 – 1 / 6 - 1 = 2 – 1 / 6 - 1
= 0 = 0,2
X3 = r - 1 / R – 1 X4 = r - 1 / R - 1
= 3 – 1 / 6 - 1 = 4 – 1 / 6 - 1
= 0,4 = 0,6
X5 = r - 1 / R – 1 X6 = r - 1 / R - 1
= 5 – 1 / 6 - 1 = 6 – 1 / 6 - 1
= 0,8 = 1
Tabel 4.4 Normalisasi Untuk Penduduk Miskin Nilai Konversi Keterangan Normalisasi
1 Sangat Tidak Layak 0
2 Tidak Layak 0,2
3 Cukup Layak 0,4
4 Hampir Layak 0,6
5 Layak 0,8
6 Sangat Layak 1
Contoh normalisasi air bersih :
X1 = r - 1 / R – 1 X2 = r - 1 / R - 1
= 1 – 1 / 6 - 1 = 2 – 1 / 6 - 1
= 0 = 0,2
X3 = r - 1 / R – 1 X4 = r - 1 / R - 1
= 3 – 1 / 6 - 1 = 4 – 1 / 6 - 1
= 0,4 = 0,6
X5 = r - 1 / R – 1 X6 = r - 1 / R - 1
IV-7
= 5 – 1 / 6 - 1 = 6 – 1 / 6 - 1
= 0,8 = 1
Tabel 4.5 Normalisasi Untuk Penduduk Miskin Nilai Konversi Keterangan Normalisasi
1 Sangat Tidak Bersih 0
2 Tidak Bersih 0,2
3 Cukup Bersih 0,4
4 Hampir Bersih 0,6
5 Bersih 0,8
6 Sangat Bersih 1
Contoh normalisasi stunting :
X1 = r - 1 / R – 1 X2 = r - 1 / R - 1
= 1 – 1 / 4 - 1 = 2 – 1 / 4 - 1
= 0 = 0,33
X3 = r - 1 / R – 1 X4 = r - 1 / R - 1
= 3 – 1 / 4 - 1 = 4 – 1 / 4 - 1
= 0,66 = 1
Tabel 4.5 Normalisasi Untuk Stunting Nilai Konversi Keterangan Normalisasi
1 Sangat Tidak Ideal 0
2 Tidak Ideal 0,33
3 Cukup Ideal 0,66
4 Ideal 1
Contoh normalisasi kesehatan :
X1 = r - 1 / R – 1 X2 = r - 1 / R - 1
= 1 – 1 / 6 - 1 = 2 – 1 / 6 - 1
= 0 = 0,2
X3 = r - 1 / R – 1 X4 = r - 1 / R - 1
= 3 – 1 / 6 - 1 = 4 – 1 / 6 - 1
= 0,4 = 0,6
X5 = r - 1 / R – 1 X6 = r - 1 / R - 1
= 5 – 1 / 6 - 1 = 6 – 1 / 6 - 1
= 0,8 = 1
IV-8
Tabel 4.6 Normalisasi Untuk Kesehatan Nilai Konversi Keterangan Normalisasi
1 Sangat Banyak 0
2 Banyak 0,2
3 Cukup Banyak 0,4
4 Hampir Banyak 0,6
5 Sedikit 0,8
6 Sangat Sedikit 1
Contoh normalisasi NCPR :
X1 = r - 1 / R – 1 X2 = r - 1 / R - 1
= 1 – 1 / 6 - 1 = 2 – 1 / 6 - 1
= 0 = 0,2
X3 = r - 1 / R – 1 X4 = r - 1 / R - 1
= 3 – 1 / 6 - 1 = 4 – 1 / 6 - 1
= 0,4 = 0,6
X5 = r - 1 / R – 1 X6 = r - 1 / R - 1
= 5 – 1 / 6 - 1 = 6 – 1 / 6 - 1
= 0,8 = 1
Tabel 4.7 Normalisasi Untuk NCPR
Nilai Konversi Keterangan Normalisasi
1 Sangat Defisit Pangan 0
2 Defisit Pangan 0,2
3 Cukup Defisit Pangan 0,4
4 Hampir Defisit Pangan 0,6
5 Surplus Pangan 0,8
6 Sangat Surplus Pangan 1
IV-9
Berikut hasil normalisasi data rawan pangan dapat dilihat pada Tabel 4.9.
Tabel 4.8 Hasil Normalisasi Data Rawan Pangan
No X1 X2 X3 X4 X5 X6 X7 X8 X9 T
Y0 Y1 Y2
1 0.8 0.667 0.000 1 0.025 0.33 0.046 1 0.4 1 0 1
2 0.8 0.651 0.038 1 0.042 1 0.071 1 0.6 1 1 1
3 0.8 0.700 0.041 1 0.071 0.33 0.028 1 0 1 0 1
4 0.8 0.676 0.010 1 0.026 0.33 0.013 1 0 1 1 1
5 0.8 0.700 0.012 1 0.043 0.33 0.023 1 0 1 0 1
6 1 0.657 0.003 1 0.055 0.33 0.052 1 0.4 1 1 1
7 0.2 0.725 0.242 1 0.095 0 0.372 0.4 0 0 1 0
8 0.8 0.750 0.021 1 0.065 0 0.220 1 0.4 1 0 1
9 0.2 0.737 0.166 1 0.118 0 0.465 0.4 0 0 0 1
10 1 0.684 0.032 1 0.052 0 0.175 0.4 0.2 0 1 1
11 0.8 0.674 0.016 1 0.065 0.33 0.036 1 0.4 1 1 1
... ... ... ... ... ... ... ... ... ...
276 0 0.744 0.530 0.8 0.149 0 0.575 1 0 0 1 0
IV-10
3. Kelas atau Target(T) klasifikasi rawan pangan yang terbagi menjadi 6 kelas di
normalisasi seperti pada Tabel 4.10 sebagai berikut.
Tabel 4.9 Keterangan Variabel Output
No Kelas Y0 Y1 Y2 Keterangan
1 Kelas 1 0 0 0 Sangat Rentan Pangan
2 Kelas 2 0 0 1 Rentan Pangan
3 Kelas 3 0 1 0 Cukup Rentan Pangan
4 Kelas 4 0 1 1 Cukup Tahan Pangan
5 Kelas 5 1 0 1 Tahan Pangan
6 Kelas 6 1 1 1 Sangat Tahan Pangan
5.1.2.2 Pembagian Data K-Fold
Pembagian data dilakukan untuk tahap klasifikasi menggunakan metode RBF
dengan membagi data latih (training) dan data uji (testing) dengan K-Fold. Terdapat
12 Fold dengan total data yang digunakan adalah 276 data daerah rawan pangan.
Masing-masing fold berisi 23 data uji dan 253 data latih.
4.1.2.3 Arsitektur RBF Untuk Klasifikasi Daerah Rawan Pangan
Radial Basis Function (RBF) memiliki 3 lapisan layer yang terbagi atas input
layer, hidden layer, dan output layer. Gambar 4.1 berikut merupakan arsitektur dari
RBF untuk klasifikasi daerah rawan pangan.
IV-11
Gambar 4.1 Arsitektur RBF Untuk Klasifikasi Daerah Rawan Pangan
Keterangan dari Gambar 4.1 diatas adalah terdapat x1, x2, x3, x4, hingga x16
pada lapisan input (input layer) yang merupakan variabel-variabel dari penentuan
daerah rawan pangan. Jaringan terdiri dari 9 neuron input layer yaitu x1, x2, x3, x4,
hingga x9 , pada hidden layer sebanyak 9 neuron φ1, φ2, φ3, φ4, ..., φ9, dan 3 lapisan
output yaitu y0, y1 dan y2. Nilai yang terhubung antara lapisan input dan lapisan
hidden adalah nilai jarak euclidean (Xi - Xk) sehingga menghasilkan nilai fungsi
aktivasi gaussian (φ). Pada lapisan tersembunyi dari input layer ke hidden layer
sebanyak 9 neuron juga yaitu φ1, φ2, φ3, φ4 hingga φ9. Bobot lapisan
W1,W2,W3,W4, hingga W9 serta bias (b) merupakan penghubung antara lapisan
tersembunyi (hidden layer) dengan lapisan output (output layer). Output layer terdiri
dari neuron Y0 dan Y1 adalah target yang akan berubah dalam bentuk bilangan biner
IV-12
dari masing-masing target kemudian menggunakan fungsi aktivasi sigmoid biner
untuk menentukan kelas dari rawan pangan.
Dalam tahapan analisa ini, analisa menggunakan Jaringan syaraf tiruan
metode Radial Basis Function (RBF) untuk mengklasifikasikan daerah rawan pangan
terdapat dua tahapan metode RBF yaitu pelatihan (training) dan pengujian (testing).
4.1.2.3 Tahapan Pelatihan dan Tahapan Pengujian
Tahapan pelatihan adalah tahapan yang dilakukan untuk memperoleh bobot
yang akan digunakan pada tahapan pengujian. Berikut Langkah-langkah pada tahapan
pelatihan (training) ini dapat dilihat pada Gambar 4.2.
Gambar 4.2 Diagram Tahapan Pelatihan RBF
IV-13
Penjelasan dari Gambar 4.2 di atas adalah sebagai berikut :
1. Data latih dimasukkan berupa variabel inputan x1, x2, x3 hingga x9 serta data
target yang dapat dilihat dari Tabel 4.1.
2. Normalisasi data menggunakan persamaan (2.8). Contoh hasil normalisasi dari
data rawan pangan dapat dilihat dari Tabel 4.5.
3. Inisialisasi nilai pusat data (center) secara acak dari data pelatihan. Penentuan
jumlah nilai center akan berpengaruh pada banyaknya nilai gaussian di hidden
layer. Nilai pusat data yang dipilih secara acak berjumlah 9 yang dapat dilihat
pada Tabel 4.13.
4. Menghitung nilai jarak euclidean dimulai dari data inputan dan nilai pusat data
menggunakan persamaan (2.4).
5. Menghitung nilai fungsi aktivasi gaussian dimulai dari jarak euclidean yang
telah didapatkan menggunakan persamaan (2.5).
6. Menghitung nilai bobot lapisan dan bobot bias w menggunakan persamaan (2.6) .
7. Bobot akhir yang diperoleh disimpan untuk tahapan pengujian.
Perhitungan Manual Tahap Pelatihan:
Dibawah ini merupakan tahapan pada pelatihan (training) untuk klasifikasi
daerah rawan pangan. Berdasarkan Tabel 4.11 diambil 10 contoh data inputan untuk
perhitungan manual pelatihan.
Tabel 4.10 Contoh Nilai Inputan (x) Data X1 X2 X3 X4 X5 X6 X7 X8 X9 T
1 0,200 1,000 1,000 0,200 1,000 0,000 0,491 0,400 0,000 1
2 0,000 0,291 0,537 0,600 0,147 0,330 1,000 0,600 0,000 2
3 0,600 0,358 0,209 1,000 0,106 0,330 0,210 0,000 0,000 3
4 1,000 0,164 0,093 1,000 0,002 0,660 0,276 0,800 0,000 4
5 0,800 0,060 0,194 1,000 0,000 0,000 0,036 1,000 0,200 5
6 1,000 0,097 0,000 1,000 0,016 0,330 0,000 1,000 0,400 6
7 1,000 0,515 0,050 1,000 0,017 0,660 0,039 1,000 1,000 6
8 0,200 0,425 0,816 0,400 0,150 0,000 0,635 0,200 0,000 1
9 0,400 0,739 0,805 0,000 0,072 0,000 0,450 0,400 0,000 1
10 0,000 0,313 0,216 0,800 0,083 0,000 0,017 1,000 0,000 2
Setelah menentukan data inputan, lalu tentukan nilai pusat data secara acak.
Berikut tabel 4.12 merupakan tabel pusat data.
IV-14
Tabel 4.11 Inisialisasi nilai pusat data (center) Data X1 X2 X3 X4 X5 X6 X7 X8 X9 T
1 0,800 0,090 0,042 1,000 0,029 1,000 0,025 1,000 0,600 6
2 0,600 0,373 0,234 1,000 0,018 0,000 0,052 1,000 0,000 5
3 0,600 0,000 0,199 1,000 0,032 0,000 0,499 0,800 0,000 4
4 0,600 0,612 0,068 1,000 0,061 0,330 0,475 0,600 0,000 3
5 0,400 0,313 0,447 1,000 0,154 0,000 0,495 0,400 0,000 2
6 0,000 0,313 0,216 0,800 0,083 0,000 0,017 1,000 0,000 2
7 0,400 0,739 0,805 0,000 0,072 0,000 0,450 0,400 0,000 1
8 0,200 0,425 0,816 0,400 0,150 0,000 0,635 0,200 0,000 1
9 1,000 0,097 0,000 1,000 0,016 0,330 0,000 1,000 0,400 6
Tahapan proses pelatihan menggunakan metode RBF dapat dilihat dari
perhitungan berikut :
1. Menghitung Di,k (norm jarak Euclidean) yaitu dengan persamaan (2.4):
a. Jarak data 1 terhadap terhadap seluruh nilai pusat data
D1,1 = √(1 − 0,8)2 + (0,097 − 0,09)2 + (0 − 0,042)2 +
√(1 − 1)2 + (0,016 − 0,029)2 + (0,33 − 1)2 + (0 − 0,025)2 +
√(1 − 1)2 + (0,4 − 0,6)2
= 0,729
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D1,1 hingga D1,9 dapat dilihat dari Tabel 4.13 berikut :
Tabel 4.12 Jarak euclidean data 1 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,729 0,750 0,876 0,988 1,225 1,186 1,804 1,762 0,000
b. Jarak data ke- 2 terhadap seluruh nilai pusat data
D2,1 = √(1 − 0,8)2 + (0,515 − 0,09)2 + (0,05 − 0,042)2 +
√(1 − 1)2 + (0,017 − 0,029)2 + (0,66 − 1)2 + (0,039 − 0,025)2 +
√(1 − 1)2 + (1 − 0,6)2
= 0,705
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D2,1 hingga D2,9 dapat dilihat dari Tabel 4.14 berikut :
IV-15
Tabel 4.13 Jarak euclidean data 2 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,705 1,285 1,461 1,277 1,607 1,596 1,987 2,011 0,805
c. Jarak data ke 3 terhadap seluruh nilai data pusat
D3,1 = √(0,2 − 0,8)2 + (0,425 − 0,09)2 + (0,816 − 0,042)2 +
√(0,4 − 1)2 + (0,15 − 0,029)2 + (0 − 1)2 + (0,635 − 0,025)2 +
√(0,2 − 1)2 + (0 − 0,6)2
= 1,954
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D3,1 hingga D3,9 dapat dilihat dari Tabel 4.15 berikut :
Tabel 4.14 Jarak euclidean data 3 X1 X2 X3 X4 X5 X6 X7 X8 X9
1,954 1,363 1,214 1,190 0,780 1,265 0,615 0,000 1,762
d. Jarak data ke 4 terhadap seluruh nilai data pusat
D4,1 = √(0,4 − 0,8)2 + (0,739 − 0,09)2 + (0,805 − 0,042)2 +
√(0 − 1)2 + (0,072 − 0,029)2 + (0 − 1)2 + (0,45 − 0,025)2 +
√(0,4 − 1)2 + (0 − 0,6)2
= 2016
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D4,1 hingga D4,9 dapat dilihat dari Tabel 4.16 berikut :
Tabel 4.15 Jarak euclidean data 4 X1 X2 X3 X4 X5 X6 X7 X8 X9
2,016 1,422 1,455 1,323 1,148 1,370 0,000 0,615 1,804
e. Jarak data ke 5 terhadap seluruh nilai data pusat
D5,1 = √(0 − 0,8)2 + (0,313 − 0,09)2 + (0,216 − 0,042)2 +
√(0,8 − 1)2 + (0,083 − 0,029)2 + (0 − 1)2 + (0,017 − 0,025)2 +
√(1 − 1)2 + (0 − 0,6)2
= 1,457
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D5,1 hingga D5,9 dapat dilihat dari Tabel 4.17 berikut :
IV-16
Tabel 4.16 Jarak euclidean data 5
X1 X2 X3 X4 X5 X6 X7 X8 X9
1,457 0,640 0,880 0,995 0,920 0,000 1,370 1,265 1,186
f. Jarak data ke 6 terhadap seluruh nilai data pusat
D6,1 = √(0,4 − 0,8)2 + (0,313 − 0,09)2 + (0,447 − 0,042)2 +
√(1 − 1)2 + (0,154 − 0,029)2 + (0 − 1)2 + (0,495 − 0,025)2 +
√(0,4 − 1)2 + (0 − 0,6)2
= 1,527
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D6,1 hingga D6,9 dapat dilihat dari Tabel 4.18 berikut :
Tabel 4.17 Jarak euclidean data 6 X1 X2 X3 X4 X5 X6 X7 X8 X9
1,527 0,815 0,612 0,657 0,000 0,920 1,148 0,780 1,225
g. Jarak data ke 7 terhadap seluruh nilai data pusat
D7,1 = √(0,6 − 0,8)2 + (0,612 − 0,09)2 + (0,068 − 0,042)2 +
√(1 − 1)2 + (0,061 − 0,029)2 + (0,33 − 1)2 + (0,475 − 0,025)2 +
√(0,6 − 1)2 + (0 − 0,6)2
= 1,219
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D7,1 hingga D7,9 dapat dilihat dari Tabel 4.19 berikut :
Tabel 4.18 Jarak euclidean data 7 X1 X2 X3 X4 X5 X6 X7 X8 X9
1,219 0,731 0,736 0,000 0,657 0,995 1,323 1,190 0,988
h. Jarak data ke 8 terhadap seluruh nilai data pusat
D8,1 = √(0,6 − 0,8)2 + (0 − 0,09)2 + (0,199 − 0,042)2 +
√(1 − 1)2 + (0,032 − 0,029)2 + (0 − 1)2 + (0,499 − 0,025)2 +
√(0,8 − 1)2 + (0 − 0,6)2
= 1,303
IV-17
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D8,1 hingga D8,9 dapat dilihat dari Tabel 4.20 berikut :
Tabel 4.19 Jarak euclidean data 8 X1 X2 X3 X4 X5 X6 X7 X8 X9
1,303 0,617 0,000 0,736 0,612 0,880 1,455 1,214 0,876
i. Jarak data ke 9 terhadap seluruh nilai data pusat
D9,1 = √(0,6 − 0,8)2 + (0,373 − 0,09)2 + (0,234 − 0,042)2 +
√(1 − 1)2 + (0,018 − 0,029)2 + (0 − 1)2 + (0,052 − 0,025)2 +
√(1 − 1)2 + (0 − 0,6)2
= 1,232
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D9,1 hingga D9,9 dapat dilihat dari Tabel 4.21 berikut :
Tabel 4.20 Jarak euclidean data 9 X1 X2 X3 X4 X5 X6 X7 X8 X9
1,232 0,000 0,617 0,731 0,815 0,640 1,422 1,363 0,750
j. Jarak data ke 10 terhadap seluruh nilai data pusat
D10,1 = √(0,8 − 0,8)2 + (0,09 − 0,09)2 + (0,042 − 0,042)2 +
√(1 − 1)2 + (0,029 − 0,029)2 + (1 − 1)2 + (0,025 − 0,025)2 +
√(1 − 1)2 + (0,6 − 0,6)2
= 0
Untuk hasil akhir dari operasi mencari jarak euclidean untuk data 1 terhadap
seluruh data pusat D10,1 hingga D10,9 dapat dilihat dari Tabel 4.22 berikut :
Tabel 4.21 Jarak euclidean data 10 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,000 1,232 1,303 1,219 1,527 1,457 2,016 1,954 0,729
Setelah dilakukan perhitungan jarak euclidean, lalu hasil perhitungan jarak
dari data inputan ke data center disusun dalam bentuk tabel lalu data disusun dalam
bentuk matrik, dapat dilihat pada Tabel 4.23 berikut.
IV-18
Tabel 4.22 Hasil perhitungan jarak euclidean Di,k X1 X2 X3 X4 X5 X6 X7 X8 X9
1 0,729 0,750 0,876 0,988 1,225 1,186 1,804 1,762 0,000
2 0,705 1,285 1,461 1,277 1,607 1,596 1,987 2,011 0,805
3 1,954 1,363 1,214 1,190 0,780 1,265 0,615 0,000 1,762
4 2,016 1,422 1,455 1,323 1,148 1,370 0,000 0,615 1,804
5 1,457 0,640 0,880 0,995 0,920 0,000 1,370 1,265 1,186
6 1,527 0,815 0,612 0,657 0,000 0,920 1,148 0,780 1,225
7 1,219 0,731 0,736 0,000 0,657 0,995 1,323 1,190 0,988
8 1,303 0,617 0,000 0,736 0,612 0,880 1,455 1,214 0,876
9 1,232 0,000 0,617 0,731 0,815 0,640 1,422 1,363 0,750
10 0,000 1,232 1,303 1,219 1,527 1,457 2,016 1,954 0,729
2. Menghitung nilai aktivasi mengunakan persamaan (2.5) dengan
menggunakan nilai b1, yaitu b1 = √−ln (0.5)
𝑠𝑝𝑟𝑒𝑎𝑑 , dimana nilai spread yang digunakan
dalam perhitungan ini adalah 1. Sehingga b1 = √−ln (0.5)
𝑠𝑝𝑟𝑒𝑎𝑑 = √
−ln (0.5)
1= 0.83255 .
Telah diperoleh nilai b1 = 0.83255 lalu akan dihitung nilai aktivasi 𝜑𝑖, 𝑘 sebagai
berikut :
a. Nilai aktivasi gaussian untuk data ke- 1 terhadap seluruh data pusat.
𝜑1,1 = 𝑒−(0.83255 ×0.729)2= 0.692
Untuk hasil akhir fungsi aktivasi untuk data 1 terhadap seluruh data pusat 𝜑1,1
hingga 𝜑1,9 dapat dilihat dari Tabel 4.24 berikut :
Tabel 4.23 Fungsi Aktivasi Gaussian Data 1 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,692 0,677 0,588 0,508 0,353 0,377 0,105 0,116 1,000
b. Nilai aktivasi gaussian untuk data ke-2 terhadap seluruh nilai pusat data
𝜑2,1 = 𝑒−(0.83255 ×0.705)2= 0.709
Untuk hasil akhir dari operasi mencari fungsi aktivasi untuk data 2 terhadap
seluruh data pusat 𝜑2,1 hingga 𝜑2,9 dapat dilihat dari Tabel 4.25 berikut :
Tabel 4.24 Fungsi Aktivasi Gaussian Data 2 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,709 0,318 0,228 0,323 0,167 0,171 0,065 0,061 0,638
IV-19
c. Nilai aktivasi gaussian untuk data ke-3 terhadap seluruh nilai pusat data.
𝜑3,1 = 𝑒−(0.83255 ×1,954)2= 0.071
Untuk hasil akhir dari operasi mencari fungsi aktivasi untuk data 3 terhadap
seluruh data pusat 𝜑3,1 hingga 𝜑3,9 dapat dilihat dari Tabel 4.26 berikut :
Tabel 4.25 Fungsi Aktivasi Gaussian Data 3 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,071 0,276 0,360 0,375 0,656 0,330 0,769 1,000 0,116
d. Nilai aktivasi gaussian untuk data ke-4 terhadap seluruh nilai pusat data.
𝜑4,1 = 𝑒−(0.83255 ×2.016)2= 0.06
Untuk hasil akhir dari operasi mencari fungsi aktivasi untuk data 4 terhadap
seluruh data pusat 𝜑4,1 hingga 𝜑4,9 dapat dilihat dari Tabel 4.27 berikut :
Tabel 4.26 Fungsi Aktivasi Gaussian Data 4 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,060 0,246 0,231 0,297 0,401 0,272 1,000 0,769 0,105
e. Nilai aktivasi gaussian untuk data ke-5 terhadap seluruh nilai pusat data.
𝜑5,1 = 𝑒−(0.83255 ×1.457)2= 0.23
Untuk hasil akhir dari operasi mencari fungsi aktivasi untuk data 5 terhadap
seluruh data pusat 𝜑5,1 hingga 𝜑5,9 dapat dilihat dari Tabel 4.28 berikut :
Tabel 4.27 Fungsi Aktivasi Gaussian Data 5 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,230 0,753 0,585 0,503 0,556 1,000 0,272 0,330 0,377
f. Nilai aktivasi gaussian untuk data ke-6 terhadap seluruh nilai pusat data.
𝜑6,1 = 𝑒−(0.83255 ×1.527)2= 0.199
Untuk hasil akhir dari operasi mencari fungsi aktivasi untuk data 6 terhadap
seluruh data pusat 𝜑6,1 hingga 𝜑6,9 dapat dilihat dari Tabel 4.29 berikut :
Tabel 4.28 Fungsi Aktivasi Gaussian Data 6 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,199 0,631 0,771 0,741 1,000 0,556 0,401 0,656 0,353
g. Nilai aktivasi gaussian untuk data ke-7 terhadap seluruh nilai pusat data.
𝜑6,1 = 𝑒−(0.83255 ×1.219)2= 0.357
IV-20
Untuk hasil akhir dari operasi mencari fungsi aktivasi untuk data 6 terhadap
seluruh data pusat 𝜑7,1 hingga 𝜑7,9 dapat dilihat dari Tabel 4.30 berikut :
Tabel 4.29 Fungsi Aktivasi Gaussian Data 7 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,308 0,768 1,000 0,709 0,771 0,585 0,231 0,360 0,607
h. Nilai aktivasi gaussian untuk data ke-8 terhadap seluruh nilai pusat data.
𝜑6,1 = 𝑒−(0.83255 ×1,303)2= 0.308
Untuk hasil akhir dari operasi mencari fungsi aktivasi untuk data 6 terhadap
seluruh data pusat 𝜑8,1 hingga 𝜑8,9 dapat dilihat dari Tabel 4.31 berikut :
Tabel 4.30 Fungsi Aktivasi Gaussian Data 8 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,308 0,768 1,000 0,687 0,771 0,585 0,231 0,360 0,588
i. Nilai aktivasi gaussian untuk data ke-9 terhadap seluruh nilai pusat data.
𝜑6,1 = 𝑒−(0.83255 ×1,232)2= 0.349
Untuk hasil akhir dari operasi mencari fungsi aktivasi untuk data 6 terhadap
seluruh data pusat 𝜑9,1 hingga 𝜑9,9 dapat dilihat dari Tabel 4.32 berikut :
Tabel 4.31 Fungsi Aktivasi Gaussian Data 9 X1 X2 X3 X4 X5 X6 X7 X8 X9
0,349 1,000 0,768 0,691 0,631 0,753 0,246 0,276 0,677
j. Nilai aktivasi gaussian untuk data ke-10 terhadap seluruh nilai pusat data.
𝜑6,1 = 𝑒−(0.83255 ×0)2= 1
Untuk hasil akhir dari operasi mencari fungsi aktivasi untuk data 6 terhadap
seluruh data pusat 𝜑10,1 hingga 𝜑10,9 dapat dilihat dari Tabel 4.33 berikut :
Tabel 4.32 Fungsi Aktivasi Gaussian Data 10 X1 X2 X3 X4 X5 X6 X7 X8 X9
1,000 0,349 0,308 0,357 0,199 0,230 0,060 0,071 0,692
Setelah perhitungan fungsi aktivasi gaussian, lalu hasil perhitungan fungsi
aktivasi gaussian disusun dalam bentuk tabel agar tahap selanjutnya lebih mudah
disusun dalam bentuk matrik, dapat dilihat pada Tabel 4.34 berikut.
IV-21
Tabel 4.33 Hasil perhitungan fungsi aktivasi gaussian Di,k X1 X2 X3 X4 X5 X6 X7 X8 X9
1 0,692 0,677 0,588 0,508 0,353 0,377 0,105 0,116 1,000
2 0,709 0,318 0,228 0,323 0,167 0,171 0,065 0,061 0,638
3 0,071 0,276 0,360 0,375 0,656 0,330 0,769 1,000 0,116
4 0,060 0,246 0,231 0,297 0,401 0,272 1,000 0,769 0,105
5 0,230 0,753 0,585 0,503 0,556 1,000 0,272 0,330 0,377
6 0,199 0,631 0,771 0,741 1,000 0,556 0,401 0,656 0,353
7 0,357 0,691 0,687 1,000 0,741 0,504 0,297 0,375 0,508
8 0,308 0,768 1,000 0,687 0,771 0,585 0,231 0,360 0,588
9 0,349 1,000 0,768 0,691 0,631 0,753 0,246 0,276 0,677
10 1,000 0,349 0,308 0,357 0,199 0,230 0,060 0,071 0,692
3. Menghitung bobot lapisan (w) dan bobot bias lapisan (b) yang didapat dengan
persamaan linier berikut :
a. Persamaan linier untuk data 1
0,692 w1 + 0,677 w2 + 0,588 w3 + ... + 1 w9 + b = 1 1 1
b. Persamaan linier untuk data 2
0,709 w1 + 0,318 w2 + 0,228 w3 + ... + 0,638 w9 + b = 1 1 1
c. Persamaan linier untuk data 3
0,071 w1 + 0,276 w2 + 0,36 w3 + ... + 0,116 w9 + b = 0 0 0
d. Persamaan linier untuk data 4
0,06 w1 + 0,246 w2 + 0,231 w3 + ... + 0,105 w9 + b = 0 0 0
e. Persamaan linier untuk data 5
0,23 w1 + 0,753 w2 + 0,585 w3 + ... + 0,377w9 + b = 0 0 1
f. Persamaan linier untuk data 6
0,199 w1 + 0,631 w2 + 0,771 w3 + ... + 0,353 w9 + b = 0 0 1
g. Persamaan linier untuk data 7
0,357 w1 + 0,691 w2 + 0,687 w3 + ... + 0,508 w9 + b = 0 1 0
h. Persamaan linier untuk data 8
0,308 w1 + 0,768 w2 + 1 w3 + ... + 0,588 w9 + b = 0 1 1
i. Persamaan linier untuk data 9
0,349 w1 + 1 w2 + 0,768 w3 + ... + 0,677 w9 + b = 1 0 1
IV-22
j. Persamaan linier untuk data 10
1 w1 + 0,349 w2 + 0,308 w3 + ... + 0,692 w9 + b = 1 1 1
Persamaan linier di atas dapat disusun dalam bentuk matriks seperti berikut :
[ 0,692 0,677 0,588 0,508 0,353 0,377 0,105 0,116 1,000 1,0000,7090,0710,0600,2300,1990,3570,3080,3491,000
0,3180,2760,2460,7530,6310,6910,7681,0000,349
0,2280,3600,2310,5850,7710,6871,0000,7680,308
0,3230,3750,2970,5030,7411,0000,6870,6910,357
0,1670,6560,4010,5561,0000,7410,7710,6310,199
0,1710,3300,2721,0000,5560,5040,5850,7530,230
0,0650,7691,0000,2720,4010,2970,2310,2460,060
0,0611,0000,7690,3300,6560,3750,3600,2760,071
0,6380,1160,1050,3770,3530,5080,5880,6770,692
1,0001,0001,0001,0001,0001,0001,0001,0001,000]
[ 𝑤1𝑤2𝑤3𝑤6𝑤7𝑤8𝑤9𝑤10𝑏 ]
=
[ 1 1 11 1 100000011
00001101
00110111]
Dengan menggunakan persamaan Least Square maka matriks dapat
dioperasikan dengan persamaan (2.6) :
W = (GTG)
-1 G
T d
Matriks G merupakan matriks fungsi aktivasi gaussian yang diperoleh dalam
bentuk matriks dengan ordo 10x10 sebagai berikut.
𝐺 =
[ 0,692 0,677 0,588 0,508 0,353 0,377 0,105 0,116 1,000 1,000
0,7090,0710,0600,2300,199
0,3570,3080,349
1,000
0,3180,2760,246
0,7530,6310,6910,7681,000
0,349
0,2280,3600,231
0,5850,7710,6871,0000,768
0,308
0,323
0,3750,297
0,5030,7411,0000,6870,691
0,357
0,167
0,6560,401
0,5561,0000,7410,7710,631
0,199
0,1710,3300,2721,000
0,556
0,504
0,585
0,753
0,230
0,0650,7691,0000,2720,4010,2970,2310,246
0,060
0,0611,0000,7690,330
0,656
0,3750,3600,276
0,071
0,6380,116
0,1050,377
0,353
0,508
0,5880,677
0,692
1,0001,0001,0001,0001,0001,0001,0001,000
1,000]
Setelah diperoleh Matriks G selanjutnya menghitung Matriks GT dengan
ordo
menjadi 10x10 sebagai berikut.
𝐺𝑇 =
[ 0,692 0,709 0,071 0,060 0,230 0,199 0,357 0,308 0,349 1,0000,677 0,318 0,276 0,246 0,753 0,631 0,691 0,768 1,000 0,3490,5880,5080,3530,3770,1050,1161,0001,000
0,2280,3230,1670,1710,0650,0610,6381,000
0,360 0,231 0,585 0,771 0,687 1,000 0,768 0,3080,375 0,297 0,503 0,741 1,000 0,687 0,691 0,3570,656 0,401 0,556 1,000 0,741 0,771 0,631 0,1990,330 0,272 1,000 0,556 0,504 0,585 0,753 0,2300,769 1,000 0,272 0,401 0,297 0,231 0,246 0,0601,000 0,769 0,330 0,656 0,375 0,360 0,276 0,0710,116 0,105 0,377 0,353 0,508 0,588 0,677 0,6921,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000]
Setelah nilai GT
diperoleh selanjutnya menghitung nilai dari Matriks (𝐺𝑇𝐺)
dengan ordo 10x10 sebagai berikut.
IV-23
(𝐺𝑇𝐺) =
[ 2,426 2,208 2,025 2,054 1,681 1,614 0,698 0,858 2,606 3,9742,208 3,850 3,671 3,503 3,427 3,201 1,657 2,061 3,166 5,7092,0252,0541,6811,6140,6980,8582,6063,974
3,6713,5033,4273,2011,6572,0613,1665,709
3,674 3,456 3,497 3,035 1,695 2,169 2,962 5,5253,456 3,470 3,397 2,873 1,741 2,172 2,867 5,4823,497 3,397 3,636 2,945 2,072 2,599 2,536 5,4763,035 2,873 2,945 2,879 1,556 1,911 2,395 4,7771,695 1,741 2,072 1,556 2,048 2,174 1,079 3,4462,169 2,172 2,599 1,911 2,174 2,499 1,346 4,0142,962 2,867 2,536 2,395 1,079 1,346 3,240 5,0555,525 5,482 5,476 4,777 3,446 4,014 5,055 10,00]
Selanjutnya menghitung nilai matriks (𝐺𝑇𝐺)−1 diperoleh hasil dengan ordo
10x10 sebagai berikut.
(𝐺𝑇𝐺)−1=
[ 19,55 7,436 3,490 −0,70 0,173 2,429 8,911 4,228 −7,91 −15,57,436 55,64 −7,78 −10,46 −6,20 −30,6 −13,2 9,352 −32,3 10,493,490−0,700,1732,4298,9114,228−7,91−15,58
−7,78−10,4−6,20−30,6−13,29,352−32,310,49
25,94 7,967 −29,4 2,612 −4,92 14,06 −8,03 −0,637,967 16,51 −21,9 7,192 −5,10 14,04 2,444 −3,71−29,4 −21,9 64,35 2,515 25,56 −42,4 17,00 −4,982,612 7,192 2,515 23,19 10,43 −0,68 19,67 −14,60−4,92 −5,10 25,56 10,43 27,30 −23,0 11,93 −15,614,06 14,04 −42,4 −0,68 −23,0 41,85 −7,95 −3,72−8,03 2,444 17,00 19,67 11,93 −7,95 33,17 −11,6−0,63 −3,71 −4,98 −14,6 −15,6 −3,72 −11,6 25,18 ]
Hasil dari (GTG)
-1 dikalikan dengan matriks G
T . Berikut hasil dari perkalian
(GTG)
-1 dengan G
T
(𝐺𝑇𝐺)−1𝐺𝑇 =
[ −0,83 −2,56 −0,07 0,079 −0,44 0,238 −0,21 −0,35 0,817 3,347−2,95 1,124 0,883 −0,53 −2,50 −0,52 −1,12 −0,81 5,991 0,460−0,540,2730,8701,8751,1680,1564,391−1,78
−1,22−0,760,462−2,12−2,25−1,26−0,964,108
0,659 −0,04 −0,04 −2,55 0,205 3,869 −1,18 0,8700,765 −0,48 0,336 −2,01 3,115 −0,08 −1,08 −0,05−3,32 1,330 −0,22 6,250 −2,13 −2,58 −0,36 −0,27−0,30 0,041 2,688 0,020 0,508 −0,59 −2,63 0,529−2,80 2,888 −0,01 1,607 −0,33 −0,66 −0,64 0,5294,569 −2,68 −0,22 −3,19 0,891 0,382 0,763 0,607−0,42 0,213 0,952 1,183 0,019 −1,33 −2,52 −1,500,161 −0,10 −0,01 −0,48 −0,31 1,059 0,253 −1,88]
Selanjutnya hasil dari perkalian (GTG)
-1G
T dikalikan dengan Matriks Target
(d). Matriks target untuk setiap kelas sebagai berikut:
𝑑 =
[ 1 1 1
1 1 10000001
1
0000110
1
0011011
1]
IV-24
Setelah dilakukan perkalian dengan matriks target maka di peroleh nilai bobot
dan bias. Berikut nilai bobot W1 sampai W9 dan pada baris terakhir merupakan nilai
bias dapat dilihat dari Tabel 4.35 berikut :
Tabel 4.34 Nilai Bobot w dan bias No Bobot Y0 Y1 Y2
1 W1 0,770 -0,615 0,207
2 W2 4,617 -3,317 0,775
3 W3 -2,089 3,167 -0,816
4 W4 -1,630 2,479 -3,391
5 W5 0,689 -3,661 4,134
6 W6 -2,359 0,195 -0,240
7 W7 -0,681 -1,037 0,252
8 W8 0,265 0,775 -2,777
9 W9 -0,607 0,611 0,198
10 b 0,690 1,179 1,264
Setelah bobot akhir dan nilai bias (b) diperoleh, maka nilai bobot ini akan
digunakan pada tahap selanjutnya yaitu tahapan pengujian (testing).
Berikut langkah-langkah pada tahapan pengujian (testing) dapat dilihat pada
Gambar 4.3:
IV-25
Gambar 4.3 Diagram Tahapan pengujian RBF
Berikut adalah penjelasan dari Gambar 4.3 diatas:
1. Masukkan data uji berupa variabel inputan x1, x2, x3 hingga x9 serta data target.
2. Proses normalisasi data uji menggunakan persamaan (2.8)..
3. Menghitung nilai jarak euclidean dari data uji dengan nilai pusat data
menggunakan persamaan (2.4).
4. Menghitung nilai fungsi aktivasi gaussian data uji dari jarak euclidean yang telah
didapat menggunakan persamaan (2.5).
5. Gunakan bobot yang telah disimpan dari tahap pelatihan untuk dimasukkan
dalam tahapan pengujian.
IV-26
6. Menghitung nilai output RBF menggunakan persamaan (2.7) lalu hasilnya akan
digunakan untuk mencari nilai fungsi aktivasi sigmoid biner agar dapat
menentukan klasifikasi daerah rawan pangan.
Perhitungan Manual Pada Tahap Pengujian
Berikut merupakan contoh data untuk pengujian (testing) pada klasifikasi rawan
pangan :
Tabel 4.35 Contoh data untuk pengujian X1 X2 X3 X4 X5 X6 X7 X8 X9 T
0,800 0,060 0,194 1,000 0,000 0,000 0,036 1,000 0,200 5
Langkah-langkah menghitung klasifikasi data uji daerah rawan pangan
menggunakan metode RBF dapat dilihat dari algoritma berikut :
1. Menghitung Di,k (norm jarak Euclidean) antara data yang akan diuji dengan nilai
pusat data menggunakan persamaan (2.4). Jarak data uji terhadap seluruh nilai
pusat data :
D1,1 = √(0,8 − 0,8)2 + (0,06 − 0,09)2 + (0,194 − 0,042)2 +
√(1 − 1)2 + (0 − 0,029)2 + (0 − 1)2 + (0,036 − 0,025)2 +
√(1 − 1)2 + (0,2 − 0,6)2
= 1,088
Untuk hasil akhir dari operasi jarak euclidean untuk data uji terhadap
seluruh data pusat D1,1 hingga D1,9 dapat dilihat dari Tabel 4.37 berikut.
Tabel 4.36 Jarak euclidean data uji X1 X2 X3 X4 X5 X6 X7 X8 X9
1,088 0,425 0,583 0,931 0,961 0,890 1,604 1,517 0,479
2. Menghitung Nilai aktivasi data uji mengunakan persamaan (2.5) dengan b1 =
√−ln (0.5)
𝑠𝑝𝑟𝑒𝑎𝑑 , dimana nilai spread yang digunakan adalah 1. Maka b1 = √
−ln (0.5)
𝑠𝑝𝑟𝑒𝑎𝑑
= √−ln (0.5)
1= 0.83255 . Setelah diperoleh nilai b1 = 0.83255 lalu selanjutnya
IV-27
menghitung nilai aktivasi 𝜑𝑖, 𝑘. Nilai aktivasi gaussian data uji terhadap seluruh
pusat data.
𝜑1,1 = 𝑒−(0.83255 ×1,088)2= 0,44
Untuk hasil akhir dari operasi menghitung nilai fungsi aktivasi gaussian
untuk data uji terhadap seluruh data pusat 𝜑1,3 hingga 𝜑1,9 dapat dilihat dari
Tabel 4.38 berikut :
Tabel 4.37 Fungsi Aktivasi Gaussian data uji X1 X2 X3 X4 X5 X6 X7 X8 X9
0,440 0,882 0,790 0,548 0,527 0,578 0,168 0,203 0,853
3. Menghitung output RBF dengan persaman (2.7) menggunakan bobot yang
telah diperoleh pada proses pelatihan. Output RBF untuk data uji sebagai
berikut:
Y0 = (0,44 × 0,77) + (0,882 × 4,617) + (0,79 × (−2,089)) +
(0,548 × (−1,630)) + (0,527 × (0,689)) + (0,578 × (−2,359))
+ (0,168 × (−0,681)) + (0,203 × (0,265)) + (0,853 × (−0,607))
+ 0,690
= 0,981
Y1 = (0,44 × (−0,615)) + (0,882 × (−3,317)) + (0,79 × 3,167) +
(0,548 × 2,479) + (0,527 × −3,661) + (0,578 × 0,195)
(0,168 × (−1,037)) + (0,203 × 0,775) + (0,853 × 0,611) + 1,179
= 0,53
Y2 = (0,44 × 0,207) + (0,882 × 0,775) + (0,79 × −0,816) +
(0,548 × (−3,391)) + (0,527 × 4,134) + (0,578 × (−0,24)) +
(0,168 × 0,252) + (0,203 × (−2,777)) + (0,853 × 0,198) + 1,264
= 1,222
Fungsi aktivasi sigmoid biner pada output layer (Persamaan 2.2) :
Y0 = 1
1+ 𝑒−(0,981)= 0,7 Y1 =
1
1+ 𝑒−(0,53)= 0,6
IV-28
Y2 = 1
1+ 𝑒−(1,222)= 0,6
Fungsi aktivasi : T =
{
𝐾𝑒𝑙𝑎𝑠1 0 0 0𝐾𝑒𝑙𝑎𝑠2 0 0 1𝐾𝑒𝑙𝑎𝑠3 0 1 0𝐾𝑒𝑙𝑎𝑠4 0 1 1𝐾𝑒𝑙𝑎𝑠5 1 0 1𝐾𝑒𝑙𝑎𝑠6 1 1 1
Keterangan : Jika Yk < 0.6 , maka nilai Yk = 0
Jika Yk ≥ 0.6, maka nilai Yk = 1
Jadi, data uji baru mendapatkan nilai y0 = 0, y1= 1 dan y2= 1, berdasarkan
ketentuan data ini termasuk kelas 6 yaitu Cukup Tahan Pangan
4.1.3 Analisa Sistem
Pada tahap analisa fungsional sistem akan dijelaskan mengenai perancangan
sistem klasifikasi tingkat preeklampsia dengan menggunakan context diagram, entity
relationship diagram, data flow diagram dan flowchart.
4.1.3.1 Context Diagram
Context diagram merupakan gambaran mengenai keseluruhan sistem. Context
diagram dari sistem klasifikasi daerah rawan pangan dapat dilihat pada gambar 4.5
berikut:
Gambar 4.4 Context Diagram Klasifikasi Rawan Pangan
Context diagram pada sistem klasifikasi daerah rawan pangan hanya memiliki
satu entitas yaitu administrator yang merupakan user atau pihak yang memiliki hak
IV-29
akses terhadap seluruh penggunaan sistem. Keterangan entitas dari Context diagram
dapat dilihat pada Tabel 4.38 berikut ini:
Tabel 4.38 Keterangan Entitas Context diagram
No Proses Masukan Hasil
1 Administrator -data_login
-data_user
-data_input
-info login
-info user
-info input
-info normalisasi
-info latih
-info uji
-info persen
-info center
-info bobot
-info klasifikasi
-info akurasi
4.1.3.2 Data Flow Diagram Level 1
DFD merupakan suatu diagram yang menggambarkan pergerakan aliran data
darimana asal data dan tujuan dari data tersebut, data tersebut akan mengalir melalui
proses-proses yang ada dan stakeholder yang berinteraksi dengan sistem. DFD Level
1 pada sistem klasifikasi rawan pangan dapat dilihat pada gambar 4.7 berikut:
IV-30
Gambar 4.5 DFD Klasifikasi Rawan Pangan
Proses keseluruhan sistem klasifikasi daerah rawan pangan di atas memiliki
tujuh proses yaitu proses login, user, input, center, pembagian data, pelatihan dan
pengujian. Berikut penjelasan dari proses DFD level 1 dapat dilihat pada Tabel 4.39.
Tabel 4.39 Penjelasan DFD Level 1
No Proses Masukan Menghasilkan Aliran data Deskripsi
1 login Data
username
dan
password
- Data user Proses input username
dan password untuk
mengakses sistem
2 user Data
pengguna
Info user Proses input data user
yang mendapat hak akses
terhadap sistem
3 input Data input Info input Data input Proses input data
IV-31
berdasarkan variable
yang akan digunakan
4 center - Info center Data center Penentuan data center
secara random
5 Pembagian
data
- -info persen
-info latih
-info uji
-data persen
-data latih
-data uji
Pembagian data latih dan
data uji berdasarkan
pembagian 12 fold.
6 pelatihan data latih
sebagai
pelatihan
-nilai bobot Data bobot Proses pelatihan
menggunakan algoritma
RBF berdasarkan
pembagian data
sebelumnya dan
menghasilkan data bobot
yang akan digunakan
untuk proses pengujian
7 pengujian Data uji
sebagai
pengujian
-info
klasifikasi
daerah rawan
pangan
-Hasil akurasi
- Menampilkan hasil
klasifikasi daerah rawan
pangan berdasarkan data
uji yang digunakan dan
menampilkan akurasi
dengan confusion matrix
4.1.3.3 Data Flow Diagram Level 2
Data Flow Diagram (DFD) Level 2 (Pengelolaan Data Master) DFD level
2 pengelolaan pembagian data pada sistem klasifikasi rawan pangan dapat dilihat
pada gambar 4.8 berikut:
Gambar 4.6 DFD Level 2 Proses 1 Sistem Klasifikasi Rawan Pangan
IV-32
Proses pembagian data pada sistem klasifikasi daerah rawan pangan terdapat
tiga proses yaitu mengelola persen, mengelola data latih dan mengelola data uji.
Pembagian data latih dan data uji dilakukan dengan membagi data menjadi 12 fold,
dimana terdapat 253 data latih dan 23 data uji. Berikut penjelasan dari DFD level 2
proses pengelolaan data dapat dilihat pada Tabel 4.40.
Tabel 4.40 Penjelasan DFD Level 2 Proses 1
No Proses Masukan Menghasilkan Aliran data Deskripsi
1 persen - persen Settingan
pembagian
fold
Settingan pembagian
data yang digunakan
dalam membagi data ada
12 fold, dimana
terdapat 253 data latih
dan 23 data uji. 2 data_latih - data_latih Data latih Data latih yang telah
dibagi sesuai dengan
pembagian data masing-
masing fold untuk dapat
melakukan proses
pelatihan
3 data_uji - data_uji Data uji Data uji yang telah
dibagi sesuai dengan
pembagian data masing-
masing fold untuk dapat
melakukan proses
pengujian sehingga
diperoleh hasil
klasifikasi dan akurasi.
4.1.3.4 Entity Relationship Diagram
Entity relationship diagram (ERD) pada sistem klasifikasi daerah rawan
pangan dapat dilihat pada gambar 4.6 berikut:
IV-33
:
Gambar 4.7 ERD Klasifikasi Rawan Pangan
Entity relationship diagram dalam sistem klasifikasi daerah rawan pangan ini
terdapat 7 entity, yaitu user, persen, bobot, center, input, uji dan latih. Untuk deskripsi
atribut masing-masing entity dapat dilihat pada sub bab perancangan tabel.
4.1.3.5 Struktur Menu
Stuktur menu adalah gambaran susunan menu yang ada di dalam sistem
dengan diuraikan sesuai aktor. Berikut gambaran dari struktur menu sistem dapat
dilihat pada Gambar 4.4 di bawah ini
IV-34
Gambar 4.8 Struktur Menu Klasifikasi Rawan Pangan
Administrator merupakan pengguna yang memiliki hak akses pada seluruh menu
di sistem. Berikut penjelasan dari Gambar 4.8:
1. Menu Data Master
Pada menu data master merupakan menu penginputan data-data yang diperlukan
sistem untuk diolah. Terdapat 6 menu yang diperlukan sebagai berikut:
a. Menu data user
Menu data user menampilkan data pengguna yang berhak dalam login dan
mengakses sistem yaitu administrator. Administrator dapat menambahkan,
mengedit dan menghapus data user.
IV-35
b. Menu data inputan
Menu inputan menampilkan data dari kecamatan dan kabupaten di Provinsi
Riau yang digunakan sesuai dengan data variabel yang di inputkan. Data
variable yang digunakan yaitu jumlah penduduk miskin, angka harapan hidup,
rumah tangga tanpa akses listrik, air bersih, perempuan buta huruf, tinggi
badan balita di bawah standar (Stunting), akses jalan yang memadai, jarak dari
fasilitas kesehatan, rasio konsumsi normatif terhadap ketersediaan bersih
serealia (NCPR).
c. Menu data normalisasi
Menu data normalisasi menampilkan hasil data yang telah di normalisasi
dalam rentang nilai 0 – 1. Pada halaman normalisasi juga terdapat pemilihan
fold yang akan dilakukan pelatihan dan pengujian.
d. Menu data latih
Menu data latih menampilkan data-data kecamatan yang akan dilatih setelah
memilih fold yang akan digunakan.
e. Menu data uji
Menu data uji menampilkan data-data kecamatan yang akan di uji setelah
memilih fold yang akan digunakan.
f. Menu data center
Menu data center menampilkan data-data kecamatan yang dipilih dari data
latih secara acak atau random sebagai data center untuk dilanjutkan ke proses
pelatihan.
2. Menu Pelatihan
Menu pelatihan merupakan proses yang diperlukan sistem untuk menjalankan
algoritma RBF untuk menghasilkan proses pembelajaran. Menu pelatihan
menampilkan hasil dari proses perhitungan jarak euclidean, matriks gaussian,
Matrik Gaussian Transpose (GT), Matrik (G
TG), Matrik (G
TG)
-1, Matrik (G
TG)
-
1G
T, Matrik (G
TG)
-1G
T x d atau nilai bobot.
IV-36
3. Menu data bobot
Menu data bobot merupakan menu untuk menampilkan nilai bobot yang dihasilkan
dari proses pelatihan untuk digunakan selanjutnya pada proses pengujian.
4. Menu Pengujian
Menu pengujian merupakan menu pengujian data yang telah dibagi sebelumnya
dengan k-fold. Pada menu ini, administrator dapat memasukkan nilai spread maka
sistem akan menampilkan seluruh data dengan hasil masing-masing target dan
menampilkan hasil akurasi confusion matrix.
4.2 Perancangan Sistem
Tahap perancangan sistem adalah tahap membuat rancangan sistem
klasifikasi daerah rawan pangan menggunakan metode Radial Basis Function (RBF)
agar memudahkan saat pengerjaan sistem. Perancangan sistem terbagi menjadi 3
yaitu perancangan database, perancangan struktur menu, dan interface.
4.2.3 Perancangan Database
Tabel yang terdapat pada database harus sesuai dengan kebutuhan data pada
sistem yang dibangun.
1. Tabel User
Tabel pengguna (user) merupakan tabel yang menyimpan data master pengguna
yang memiliki hak untuk akses sistem. Tabel 4.39 merupakan perancangan tabel user:
Tabel 4.41 User Nama Field Type Data Length Deskripsi Keterangan
Id_user int 4 Id user Primary key
Nama_user varchar 40 nama pengguna
username Varchar 21 username
password varchar 50 Password pengguna
level_akses text Level pengguna
2. Tabel Persen
Tabel variabel merupakan tabel yang menyimpan data pembagian data. Tabel 4.40
merupakan perancangan tabel persen.
IV-37
Tabel 4.42 Persen Nama Field Type Data Length Deskripsi Keterangan
Id_persen int 6 Primary Key
persen double
3. Tabel Input
Tabel input merupakan tabel yang menyimpan seluruh data kecamata yang akan
digunakan pada proses pelatihan dan pengujian. Tabel 4.41 merupakan perancangan
tabel input:
Tabel 4.43 Input Nama Field Type Data Length Deskripsi Keterangan
Id_input int 4 Id data input Primary Key
kabupaten text Nama kabupaten
kecamatan text Nama kecamatan
X1 text Penduduk miskin
X2 double Angka Harapan Hidup
X3 double Listrik
X4 text Air
X5 doucle Buta huruf
X6 text Stunting
X7 double Akses jalan
X8 text Jarak dari fasilitas
kesehatan
X9 text NCPR
target text
IV-38
4. Tabel Uji
Tabel uji merupakan tabel yang menyimpan data yang akan dilakukan pengujian.
Tabel 4.42 merupakan perancangan tabel kabupaten:
Tabel 4.44 Uji Nama Field Type Data Length Deskripsi Keterangan
Id_uji int 4 Id data uji Primary Key
X1 text Penduduk miskin
X2 double Angka Harapan Hidup
X3 double Listrik
X4 text Air
X5 doucle Buta huruf
X6 text Stunting
X7 double Akses jalan
X8 text Jarak dari fasilitas
kesehatan
X9 text NCPR
target double
Id_input int 11 Id data input Foreign key
5. Tabel Latih
Tabel latih merupakan tabel yang menyimpan data yang akan di latih. Tabel 4.43
merupakan perancangan tabel kecamatan:
Tabel 4.45 Latih Nama Field Type Data Length Deskripsi Keterangan
Id_latih int 4 Id data latih Primary Key
X1 text Penduduk miskin
X2 double Angka Harapan Hidup
X3 double Listrik
X4 text Air
X5 doucle Buta huruf
X6 text Stunting
X7 double Akses jalan
X8 text Jarak dari fasilitas
kesehatan
X9 text NCPR
target double
Id_input int 11 Id data input Foreign key
6. Tabel Data Center
Tabel data center merupakan tabel yang berisi data center untuk proses
penghitungan yang diambil secara acak dari data latih.. Tabel 4.44 merupakan
perancangan tabel data rawan pangan.
IV-39
Tabel 4.46 Data Center Nama Field Type Data Length Deskripsi Keterangan
Id_center int 4 Id data center Primary Key
X1 text Penduduk miskin
X2 double Angka Harapan Hidup
X3 double Listrik
X4 text Air
X5 doucle Buta huruf
X6 text Stunting
X7 double Akses jalan
X8 text Jarak dari fasilitas
kesehatan
X9 text NCPR
target double
Id_input int 11 Id data input Foreign key
7. Tabel Bobot
Tabel bobo merupakan tabel yang menyimpan data hasil rumus yang akan menjadi
bobot pada proses pengujian . Tabel 4.45 merupakan perancangan tabel bobot
Tabel 4.47 Bobot Nama Field Type
Data
Length Deskripsi Keterangan
Id_bobot int 6 Id bobot Primary Key
Y0 double
Y1 double
Y2 double
4.1.2 Perancangan Antarmuka (Interface)
Perancangan antarmuka (interface) sistem merupakan rancangan tampilan
untuk membuat komunikasi yang lebih mudah antara sistem dengan pengguna.
Interface sistem yang akan dibangun adalah sebagai berikut :
4.1.2.1 Perancangan Antarmuka Halaman Login
Halaman login merupakan halaman yang digunakan dalam mengakses
sistem. Setiap pengguna yang ingin mengakses sistem harus login terlebih dahulu.
Rancangan interface untuk halaman login seperti pada gambar 4.10 di bawah ini.
IV-40
Gambar 4.9 Interface Halaman Login
4.1.2.2 Halaman Utama
Menu utama merupakan menu yang muncul saat telah berhasil melakukan
login. Gambar 4.11 merupakan tampilan halaman utama .
Gambar 4.10 Interface Halaman Utama
IV-41
Pada menu beranda (halaman utama) ini terdapat beberapa menu yang dapat
diakses oleh administrator diantaranya menu data user, data inputan, data normalisasi,
data latih, data uji, data center, pelatihan, data bobot dan pengujian.
4.1.2.3 Halaman Menu Data User
Menu data user merupakan menu yang mengelola data pengguna yang
memiliki akses terhadap sistem. Gambar 4.12 berikut merupakan tampilan menu data
user:
Gambar 4.11 Interface Halaman Menu Data User
Halaman menu user menampilkan tabel daftar pengguna serta level akses ke
sistem sebagai administartor serta dapat melakukan proses tambah, update dan delete.
Gambar 4.13 merupakan halaman tambah data user
IV-42
Gambar 4.12 Interface Halaman Tambah Data User
Halaman tambah data user menampilkan form yang harus diisi jika ingin
menambahkan data pengguna. Form-form tersebut berupa nama, username, password
alamat, kontak dan hak akses.
4.1.2.4 Halaman Menu Inputan
Menu data inputan merupakan menu yang menampilkan data-data daerah
rawan pangan yang akan diklasifikasikan. Gambar 4.14 berikut merupakan tampilan
menu data inputan:
IV-43
Gambar 4.13 Interface Halaman Menu Inputan
Halaman menu inputan menampilkan tabel daftar keseluruhan data daerah
rawan pangan serta dapat melakukan proses tambah, update dan delete data. Gambar
4.15 merupakan halaman tambah data inputan
Gambar 4.14 Interface Halaman Tambah Data Inputan
Halaman tambah data inputan menampilkan form yang harus diisi jika ingin
menambahkan data daerah rawan pangan. Form-form tersebut berupa kabupaten,
kecamatan, penduduk miskin, angka harapan hidup, listrik, air, buta huruf, stunting,
jalan, kesehatan, NCPR dan target.
IV-44
4.1.2.5 Halaman Menu Normalisasi
Menu normalisasi merupakan menu yang menampilkan keseluruhan data
yang telah dinormalisasi. Gambar 4.16 berikut merupakan tampilan menu data
normalisasi:
Gambar 4.15 Interface Halaman Menu Normalisasi
Halaman menu normalisasi menampilkan tabel normalisasi keseluruhan data,
kemudian administrator dapat melakukan proses pembagian data sesuai dengan
pilihan fold yang telah tersedia. Berikut tampilan pseudocode untuk proses
normalisasi:
Gambar 4.16 Pseudocode Proses Normalisasi
4.1.2.6 Halaman Menu Data Latih
Menu data latih merupakan menu yang menampilkan tabel data latih yang
telah dibagi sesuai fold. Gambar 4.17 berikut merupakan tampilan menu data latih.
IV-45
Gambar 4.17 Interface Halaman Menu Data Latih
Halaman menu data latih menampilkan tabel data latih yang akan diolah untuk
proses pelatihan, dimana terdapat 12 fold dengan 253 data latih dan 23 data uji.
Berikut tampilan pseudocode untuk proses pembagian data latih dengan k-fold:
Gambar 4.18 Pseudocode K-Fold
IV-46
4.1.2.7 Halaman Menu Data Uji
Menu data uji merupakan menu yang menampilkan tabel data uji yang telah
dibagi sesuai fold. Gambar 4.19 berikut merupakan tampilan menu data uji.
Gambar 4.19 Interface Halaman Menu Data Uji
Halaman menu data uji menampilkan tabel data latih yang akan diolah untuk
proses pengujian, dimana terdapat 12 fold dengan 253 data latih dan 23 data uji.
4.1.2.8 Halaman Menu Data Center
Menu data center merupakan menu yang menampilkan tabel data center
yang dapat di acak otomatis oleh sistem. Gambar 4.20 berikut merupakan tampilan
menu data center.
Gambar 4.20 Interface Halaman Menu Data Center
IV-47
Halaman menu data center menampilkan tabel data center yang akan diolah untuk
proses RBF. Data center diacak dengan mengambil 9 data dari data latih.
Administrator dapat mengacak data center dengan menekan button acak. Berikut
pseudocode untuk random data center:
Gambar 4.21 Pseudocode Data Center
4.1.2.9 Halaman Menu Pelatihan
Halaman Pelatihan merupakan halaman untuk melakukan pembelajaran RBF
pada sistem. Gambar 4.22 merupakan rancangan halaman pelatihan
Gambar 4.22 Interface Halaman Menu Pelatihan
IV-48
Halaman Pelatihan RBF menampilkan hasil dari proses perhitungan pelatihan
dari klasifikasi daerah rawan pangan yang terdapat beberapa proses yaitu menghitung
jarak euclidean, matriks gaussian, matriks gaussian transpose (GT), matriks G
TG,
matriks (GTG)
-1 , matriks (G
TG)
-1G
T dan matriks (G
TG)
-1G
T x d.
Berikut pseudocode untuk menghitung jarak euclidean:
Gambar 4.23 Pseudocode Jarak Euclidean
IV-49
Berikut pseudocode untuk menghitung matriks gaussian:
Gambar 4.24 Pseudocode Matriks Gaussian
Berikut pseudocode untuk menghitung matriks gaussian transpose (GT):
Gambar 4.25 Pseudocode Matriks Gaussian Transpose (GT)
IV-50
Berikut pseudocode untuk menghitung matriks GTG:
Gambar 4.26 Pseudocode Matriks GTG
Berikut pseudocode untuk menghitung matriks (GTG)
-1:
Gambar 4.27 Pseudocode Matriks (GTG)
-1
Berikut pseudocode untuk menghitung matriks (GTG)
-1G
T:
Gambar 4.28 Pseudocode Matriks (GTG)
-1 G
T
IV-51
Berikut pseudocode untuk menghitung matriks (GTG)
-1G
T x d:
Gambar 4.29 pseudocode matriks (G
TG)
-1 G
Txd
IV-52
4.1.2.10 Halaman Menu Data Bobot
Halaman data bobot merupakan halaman yang menampilkan tabel bobot
yang dihasilkan dari proses pelatihan dan akan digunakan pada proses pengujian.
Gambar 4.30 merupakan rancangan halaman bobot
Gambar 4.30 Interface Halaman Menu Bobot
4.1.2.11 Halaman Pengujian
Halaman pengujian merupakan halaman yang menampilkan hasil pengujian
dari data uji yang telah bagi. Gambar 4.31 merupakan rancangan tampilan form
spread.
Gambar 4.31 Interface Halaman Menu Pengujian
Halaman pengujian merupakan halaman yang menampilkan form spread
yang ingin diuji sehingga dapat menampilkan hasil akhir dari pengujian data daerah
IV-53
rawan pangan dan menampilkan hasil klasifikasi daerah rawan pangan dari
pembelajaran metode RBF. Gambar 4.32 merupakan rancangan tampilan hasil
pengujian.
Gambar 4. 32 Interface Halaman Menu Pengujian
Dapat dilihat pada tampilan halaman pengujian, terdapat hasil akurasi menggunakan
perhitungan confussion matrix yang dapat mengukur tingkat akurasi dari seluruh data
uji yang telah dilakukan pengujian. Berikut pseudocode untuk akurasi confussion
matrix:
Gambar 4.33 Interface Halaman Menu Pengujian
BAB VI
PENUTUP
6.1 Kesimpulan
Kesimpulan dari pengujian penggunaan metode Radial Basis Function (RBF)
untuk Klasifikasi daerah rawan pangan yaitu :
1. Penerapan metode Radial Basis Function (RBF) untuk klasifikasi daerah
rawan pangan diperoleh hasil yang dapat diterapkan.
2. Pengujian akurasi confusion matrix dilakukan dengan menginputkan
parameter nilai spread dari nilai 2 sampai 4 ke dalam 12 fold. Pengujian yang
telah dilakukan menggunakan k-fold diperoleh tingkat akurasi terbaik sebesar
83% dengan nilai spread 3 pada pengujian fold 4 dan nilai batas ambang
(threshold) 0,5.
6.2 Saran
Berdasarkan penelitian yang dilakukan, penulis dapat menyarankan untuj
penelitian selanjutnya dapat menggunakan metode clustering untuk menentukan data
center.
xxiii
DAFTAR PUSTAKA
Azmi, F. (2016). Analisis Learning Jaringan RBF ( Radial Basis Function Network ),
V(2), 32–34.
BAKEPANG. (2015). Panduan Penyusunan Kewaspadaan Pangan dan Gizi, (C), 1–4.
BAKEPANG. 2015. Laporan Akhir Kajian Instrumen Kerawanan Pangan Di
Provinsi Riau. Pekanbaru : Badan Ketahanan Pangan Provinsi Riau, 2015.
BIKEPANG. 2016. Laporan Tahunan Sistem Kewaspadaan Pangan Dan Gizi (Skpg).
Pekanbaru : Badan Ketahanan Pangan Provinsi Riau, 2016.
Budianita, E. (2015). Klasifikasi Status Gizi Balita Berdasarkan Indikator
Antropometri Berat Badan Menurut Umur Menggunakan Learning Vector
Quantization, (November), 213–220.
Desiani, dkk. 2006. Konsep Kecerdasan Buatan. Yogyakarta : Penerbit Andi, 2006.
Fausett, L. 1994. Architectures Algorithms And Applications. Fundamentals Of
Neural Network : Englewood Cliffs, 1994.
Giusti, D. (2018). Prediksi Penjualan Mi Menggunakan Metode Extreme Learning
Machine (ELM) Di Kober Mie Setan Cabang Soekarno Hatta, 2(8), 2972–2978.
Gradhianta, T. (2015). Penerapan Jaringan Syaraf Tiruan dengan Radial Basis
Function.
Kementan. 2017. Panduan Penyusunan Food Security And Vulnerability Atlas
(FSVA) Kabupaten. Jakarta : Kementerian Pertanian, 2017.
Kusaedi. (2004). Perancangan Kendali Kecepatan Motor Dc Dengan Jaringan Syaraf
Tiruan Radial Basis Function (RBF) Menggunakan Skema Fix Stabilising
Controller Oleh : Kusaedi - L2f 302 499 Jurusan Teknik Elektro Fakultas Teknik
Universitas Diponegoro Wp Xp, 1–10.
Maharani, D. (2012). Backpropagation Dan Learning Vector Quantization Program
Studi Teknik Informatika Jurnal Komputer dan Informatika (KOMPUTA).
xxiv
Nugroho, M. A. (2012). Adaptive Genetic Algorithm (AGA) Radial Basis Function
(RBF) Neural Network Untuk Klasifikasi.
Oktafiani, R. (2015). Perbandingan Metode Klasifikasi Regresi Logistik Biner Dan
Radial Basis Function Network Pada Berat Bayi Lahir Rendah (Studi Kasus :
Puskesmas Pamenang Kota Jambi).
Patmasari, A. (2017). Penerapan Metode Jaringan Syaraf Tiruan Radial Basis
Function untuk Klasifikasi Status Gizi Balita, 2017, 1–7.
Pinem, A. P. R. (2016). Implementasi Oracle Spatial Untuk Pemetaan Ketahanan Dan
Kerawanan Pangan Di Kabupaten Brebes, 14, 38–43.
Pratiwi, M. (2015). Mammograms Classification Using Gray-Level Co-Occurrence
Matrix And Radial Basis Function Neural Network. Procedia - Procedia
Computer Science, 59(Iccsci), 83–91.
Puspitaningrum, Diyah. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta :
Penerbit Andi, 2006.
Sari, Y. (1996). Sistem Informasi Geografis Penentuan Daerah Potensi Rawan
Pangan (Studi Kasus: Kabupaten Pontianak) Yunitia Sari, (7).
Soesanto, O. (2015). Optimasi Learning Radial Basis Function Neural Network
Dengan Extended Kalman Filter, 03(02), 102–114.
Syamsiah, N. O. (2011). Sistem Klasifikasi Indikator Daerah Rawan Pangan
Menggunakan Database Fuzzy Tahani, Xiii(2), 125–134.
Tangguh. (2012). Penerapan Jaringan Syaraf Tiruan Dengan Radial Basis Function
Untuk Pengenalan Genre Musik. Gradhianta, \
Ulfasari, R. (2010). Perbandingan Performansi Jaringan Learning Vector
Quantization (LVQ) Dan Radial Basis Function (RBF) Untuk Permasalahan
Klasifikasi.
Wulandari, M. (2016). Analisis Tingkat Ketahanan Pangan Terhadap Kerawanan
Pangan Di Kabupaten Jombang Tahun 2015.
A-1
LAMPIRAN A
DATA DAERAH RAWAN PANGAN
Berikut Data Keseluruhan Yang Digunakan Pada Klasifikasi Daerah Rawan Pangan, Dapat Dilihat Pada Tabel A.1.
Tabel A.1 Keseluruhan Data
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
1 Kuantan Singingi Kuantan Mudik Layak 68 1.1 Sangat Bersih 3.01 Tidak
Ideal
4.17 Sangat Sedikit Cukup Defisit
Pangan
5
2 Kuantan Singingi Hulu Kuantan Layak 67 2.3 Sangat Bersih 3.64 Ideal 6.4 Sangat Sedikit Hampir Defisit
Pangan
6
3 Kuantan Singingi Gunung Toar Layak 70 2.4 Sangat Bersih 4.7 Tidak
Ideal
2.6 Sangat Sedikit Sangat Defisit
Pangan
5
4 Kuantan Singingi Singingi Layak 68.5 1.41 Sangat Bersih 3.03 Tidak
Ideal
1.3 Sangat Sedikit Sangat Defisit
Pangan
6
5 Kuantan Singingi Singingi Hilir Layak 70 1.47 Sangat Bersih 3.68 Tidak
Ideal
2.19 Sangat Sedikit Sangat Defisit
Pangan
5
6 Kuantan Singingi Kuantan Tengah Sangat Layak 67.4 1.19 Sangat Bersih 4.11 Tidak
Ideal
4.7 Sangat Sedikit Cukup Defisit
Pangan
6
7 Kuantan Singingi Benai Tidak Layak 71.5 8.7 Sangat Bersih 5.6 Sangat
Tidak
Ideal
32.5 Cukup Banyak Sangat Defisit
Pangan
3
8 Kuantan Singingi Kuantan Hilir Layak 73 1.76 Sangat Bersih 4.5 Sangat
Tidak
Ideal
19.3 Sangat Sedikit Cukup Defisit
Pangan
5
9 Kuantan Singingi Pangean Tidak Layak 72.2 6.3 Sangat Bersih 6.44 Sangat
Tidak
Ideal
40.6 Cukup Banyak Sangat Defisit
Pangan
2
10 Kuantan Singingi Logas Tanah Darat
Sangat Layak 69 2.1 Sangat Bersih 4 Sangat Tidak
Ideal
15.4 Cukup Banyak Defisit Pangan 4
11 Kuantan Singingi Cerenti Layak 68.4 1.59 Sangat Bersih 4.5 Tidak 3.3 Sangat Sedikit Cukup Defisit 6
A-2
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
Ideal Pangan
12 Kuantan Singingi Inuman Tidak Layak 79.2 28.8 Tidak Bersih 29.8 Sangat
Tidak Ideal
39.7 Cukup Banyak Sangat Defisit
Pangan
1
13 Indragiri Hulu Peranap Sangat Layak 78 5.7 Sangat Bersih 2.98 Cukup
Ideal
2.2 Sangat Sedikit Sangat Defisit
Pangan
6
14 Indragiri Hulu Batang Peranap Layak 69.5 6.43 Sangat Bersih 3.4 Tidak Ideal
60.5 Sangat Sedikit Defisit Pangan 4
15 Indragiri Hulu Seberida Sangat Tidak
Layak
70 7.1 Bersih 5.1 Sangat
Tidak
Ideal
5.8 Sangat Sedikit Sangat Defisit
Pangan
2
16 Indragiri Hulu Batang Cenaku Sangat Layak 68.5 5.91 Sangat Bersih 4.7 Tidak
Ideal
56 Sangat Sedikit Sangat Defisit
Pangan
4
17 Indragiri Hulu Batang Gansal Sangat Layak 68 6.5 Sangat Bersih 4.7 Tidak
Ideal
56 Sangat Sedikit Sangat Defisit
Pangan
4
18 Indragiri Hulu Kelayang Layak 73 8.06 Sangat Bersih 5.23 Sangat
Tidak
Ideal
6.88 Sangat Sedikit Sangat Defisit
Pangan
5
19 Indragiri Hulu Rakit Kulim Sangat Tidak Layak
70 7.06 Sangat Bersih 4.6 Sangat Tidak
Ideal
32 Cukup Banyak Sangat Defisit Pangan
3
20 Indragiri Hulu Pasir Penyu Layak 70.3 6.1 Sangat Bersih 5.7 Tidak Ideal
2.15 Sangat Sedikit Sangat Defisit Pangan
5
21 Indragiri Hulu Lirik Sangat Layak 69 5.5 Sangat Bersih 6.12 Tidak
Ideal
3.5 Sangat Sedikit Sangat Defisit
Pangan
5
22 Indragiri Hulu Sungai Lala Layak 75 8.95 Sangat Bersih 4.6 Sangat Tidak
Ideal
6.6 Sedikit Sangat Defisit Pangan
4
23 Indragiri Hulu Lubuk Batu Jaya Sangat Layak 67.9 5.8 Sangat Bersih 3.6 Tidak Ideal
0.3 Sangat Sedikit Sangat Defisit Pangan
6
24 Indragiri Hulu Rengat Barat Sangat Layak 67.5 5.32 Sangat Bersih 3.12 Tidak
Ideal
2.51 Sangat Sedikit Sangat Defisit
Pangan
5
25 Indragiri Hulu Rengat Sangat Layak 67.5 5.3 Sangat Bersih 3.2 Tidak Ideal
2.5 Sangat Sedikit Sangat Defisit Pangan
6
26 Indragiri Hulu Kuala Cenaku Tidak Layak 74.8 25.5 Bersih 6 Sangat
Tidak
Ideal
35.8 Hampir
Banyak
Sangat Defisit
Pangan
2
27 Indragiri Hilir Keritang Cukup Layak 75.7 23.4 Sangat Tidak
Bersih
4.8 Sangat
Tidak
Ideal
36.8 Cukup Banyak Sangat Defisit
Pangan
1
A-3
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
28 Indragiri Hilir Kemuning Sangat Layak 72 19.5 Bersih 3.1 Tidak
Ideal
50.5 Sangat Sedikit Sangat Defisit
Pangan
4
29 Indragiri Hilir Reteh Tidak Layak 72 19.22 Bersih 4.9 Sangat Tidak
Ideal
39.1 Hampir Banyak
Sangat Defisit Pangan
2
30 Indragiri Hilir Sungai Batang Tidak Layak 74 23.6 Bersih 5.7 Sangat
Tidak Ideal
35.8 Hampir
Banyak
Sangat Defisit
Pangan
2
31 Indragiri Hilir Enok Hampir
Layak
72.8 21.03 Bersih 6.98 Tidak
Ideal
25.43 Sangat Sedikit Sangat Defisit
Pangan
3
32 Indragiri Hilir Tanah Merah Sangat Layak 73.2 17.4 Bersih 4.05 Tidak Ideal
40 Cukup Banyak Sangat Defisit Pangan
2
33 Indragiri Hilir Kuala Indragiri Tidak Layak 73.6 25.7 Bersih 4.8 Sangat
Tidak Ideal
27.2 Cukup Banyak Sangat Defisit
Pangan
2
34 Indragiri Hilir Concong Cukup Layak 75 25.7 Bersih 7.2 Sangat
Tidak
Ideal
31.5 Cukup Banyak Sangat Defisit
Pangan
2
35 Indragiri Hilir Tembilahan Sangat Layak 70.5 17 Bersih 3.1 Tidak
Ideal
13.5 Sedikit Sangat Defisit
Pangan
5
36 Indragiri Hilir Tembilahan Hulu Sangat Layak 70.3 10.5 Sangat Bersih 2.9 Tidak
Ideal
1.4 Sangat Sedikit Cukup Defisit
Pangan
6
37 Indragiri Hilir Tempuling Layak 76 23.33 Bersih 4.1 Sangat
Tidak
Ideal
12.12 Sangat Sedikit Sangat Defisit
Pangan
4
38 Indragiri Hilir Kempas Hampir
Layak
72.4 25.1 Bersih 4.9 Sangat
Tidak
Ideal
40.72 Banyak Sangat Defisit
Pangan
1
39 Indragiri Hilir Batang Tuaka Sangat Layak 76 23.33 Bersih 3.93 Sangat Tidak
Ideal
7.9 Sangat Sedikit Sangat Surplus Pangan
5
40 Indragiri Hilir Gaung Anak Serka
Cukup Layak 70.3 22.8 Cukup Bersih 3.7 Sangat Tidak
Ideal
44.1 Banyak Sangat Defisit Pangan
1
41 Indragiri Hilir Gaung Layak 75.7 22.66 Bersih 3.95 Sangat
Tidak Ideal
13.78 Sangat Sedikit Cukup Defisit
Pangan
4
42 Indragiri Hilir Mandah Tidak Layak 77 24.7 Bersih 7.55 Sangat
Tidak Ideal
25.43 Sedikit Sangat Defisit
Pangan
2
A-4
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
43 Indragiri Hilir Kateman Hampir
Layak
73 20.02 Bersih 6.3 Tidak
Ideal
18.3 Sedikit Sangat Defisit
Pangan
3
44 Indragiri Hilir Pelangiran Cukup Layak 72 23.1 Hampir Bersih 7.6 Sangat Tidak
Ideal
46.9 Banyak Sangat Defisit Pangan
1
45 Indragiri Hilir Teluk Belongkong Layak 72 17.8 Bersih 5.6 Tidak
Ideal
30 Hampir
Banyak
Sangat Defisit
Pangan
3
46 Indragiri Hilir Pulau Burung Layak 76 23.56 Bersih 4.98 Sangat
Tidak
Ideal
5.9 Hampir
Banyak
Sangat Defisit
Pangan
4
47 Pelalawan Langgam Layak 69.7 12.1 Sangat Bersih 6.2 Tidak Ideal
2.5 Sangat Sedikit Sangat Defisit Pangan
5
48 Pelalawan Pangkalan Kerinci Sangat Layak 68 8.9 Sangat Bersih 3.5 Cukup
Ideal
1.2 Sangat Sedikit Sangat Defisit
Pangan
6
49 Pelalawan Bandar Seikijang Sangat Layak 69.2 9.1 Sangat Bersih 7.01 Cukup Ideal
1.5 Sangat Sedikit Sangat Defisit Pangan
6
50 Pelalawan Pangkalan Kuras Layak 67.6 8.5 Sangat Bersih 5.5 Tidak
Ideal
3.9 Sangat Sedikit Sangat Defisit
Pangan
5
51 Pelalawan Ukui Cukup Layak 70.3 23.44 Hampir Bersih 7.9 Sangat Tidak
Ideal
47.8 Banyak Sangat Defisit Pangan
1
52 Pelalawan Pangkalan Lesung Tidak Layak 70 10.1 Bersih 6.9 Sangat Tidak
Ideal
45.7 Banyak Sangat Defisit Pangan
1
53 Pelalawan Bunut Cukup Layak 70 13.5 Sangat Bersih 7 Sangat Tidak
Ideal
40 Cukup Banyak Sangat Defisit Pangan
2
54 Pelalawan Pelalawan Hampir
Layak
72.8 12 Sangat Bersih 7.3 Sangat
Tidak Ideal
1.9 Sangat Sedikit Hampir Defisit
Pangan
5
55 Pelalawan Bandar
Petalangan
Cukup Layak 68.7 10.7 Sangat Bersih 6.7 Sangat
Tidak Ideal
10.2 Hampir
Banyak
Sangat Defisit
Pangan
4
56 Pelalawan Kuala Kampar Sangat Tidak
Layak
71.1 12.64 Sangat Bersih 7.16 Sangat
Tidak
Ideal
49.7 Banyak Sangat Defisit
Pangan
1
57 Pelalawan Kerumutan Hampir
Layak
70.5 23.7 Bersih 8.33 Sangat
Tidak
Ideal
46.43 Banyak Sangat Defisit
Pangan
1
58 Pelalawan Teluk Meranti Tidak Layak 73 14.7 Sangat Bersih 7.5 Sangat 38.11 Cukup Banyak Sangat Defisit 2
A-5
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
Tidak
Ideal
Pangan
59 Siak Minas Hampir Layak
72.4 3.9 Sangat Bersih 3.9 Cukup Ideal
3.8 Sangat Sedikit Sangat Defisit Pangan
5
60 Siak Sungai Mandau Layak 71 2.1 Bersih 3.5 Cukup
Ideal
27.8 Hampir
Banyak
Sangat Defisit
Pangan
4
61 Siak Kandis Sangat Layak 75.8 3 Sangat Bersih 3.99 Cukup Ideal
20.32 Sedikit Sangat Defisit Pangan
4
62 Siak Siak Sangat Layak 71 2.5 Bersih 2.95 Cukup
Ideal
2.6 Sedikit Sangat Defisit
Pangan
5
63 Siak Kerinci Kanan Sangat Layak 71.05 2.1 Sangat Bersih 2.95 Cukup Ideal
3.5 Sangat Sedikit Sangat Defisit Pangan
6
64 Siak Tualang Hampir
Layak
74 3 Sangat Bersih 4.5 Tidak
Ideal
38.54 Hampir
Banyak
Sangat Defisit
Pangan
3
65 Siak Dayun Tidak Layak 71.5 23.7 Cukup Bersih 6.9 Sangat Tidak
Ideal
50 Banyak Sangat Defisit Pangan
1
66 Siak Lubuk Dalam Sangat Layak 71 2.1 Bersih 3.8 Ideal 1.5 Sangat Sedikit Cukup Defisit
Pangan
6
67 Siak Koto Gasib Sangat Layak 76 2.9 Bersih 4.5 Cukup
Ideal
10.09 Sangat Sedikit Sangat Defisit
Pangan
5
68 Siak Mampura Layak 74 5.5 Sangat Bersih 3.74 Tidak
Ideal
40.32 Cukup Banyak Sangat Defisit
Pangan
3
69 Siak Sungai Apit Sangat Layak 76.1 3.2 Sangat Bersih 4.1 Cukup
Ideal
47.2 Sedikit Sangat Defisit
Pangan
4
70 Siak Bunga Raya Sangat Layak 72.7 2.5 Sangat Bersih 3.3 Cukup Ideal
7.4 Sangat Sedikit Sangat Surplus Pangan
6
71 Siak Sabak Auh Sangat Layak 76 3 Sangat Bersih 3.99 Cukup
Ideal
25.3 Hampir
Banyak
Sangat Surplus
Pangan
5
72 Siak Pusako Sangat Layak 75.8 3 Sangat Bersih 4.04 Cukup Ideal
25.32 Sangat Sedikit Sangat Defisit Pangan
4
73 KAMPAR Kampar Kiri Cukup Layak 70 7.6 Sangat Bersih 4.77 Tidak
Ideal
26.3 Sedikit Sangat Defisit
Pangan
3
74 KAMPAR Kampar Kiri Hulu Hampir Layak
74 5 Sangat Bersih 8.88 Tidak Ideal
28 Hampir Banyak
Sangat Defisit Pangan
3
75 KAMPAR Kampar Kiri Hilir Sangat Layak 69.1 2.5 Sangat Bersih 4.1 Cukup
Ideal
15.5 Cukup Banyak Sangat Defisit
Pangan
4
76 KAMPAR Gunung Sahilan Sangat Layak 78.1 3.5 Sangat Bersih 3.6 Tidak Ideal
26.7 Sangat Sedikit Sangat Defisit Pangan
5
77 KAMPAR Kampar Kiri Hampir 68 24.57 Sangat Bersih 3 Tidak 23.56 Hampir Sangat Defisit 3
A-6
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
Tengah Layak Ideal Banyak Pangan
78 KAMPAR XIII Koto Kampar Tidak Layak 68.1 32.5 Sangat Bersih 14.6 Sangat
Tidak Ideal
79.8 Sangat
Banyak
Sangat Defisit
Pangan
1
79 KAMPAR Koto Kampar
Hulu
Sangat Layak 85 2.5 Sangat Bersih 2.91 Ideal 21 Sangat Sedikit Sangat Defisit
Pangan
6
80 KAMPAR Kuok Sangat Layak 70 2.47 Sangat Bersih 3.05 Tidak Ideal
3.5 Sangat Sedikit Cukup Defisit Pangan
6
81 KAMPAR Salo Layak 61.1 2.3 Sangat Bersih 2.1 Cukup
Ideal
12 Sangat Sedikit Hampir Defisit
Pangan
6
82 KAMPAR Tapung Hampir Layak
57.1 3.1 Sangat Bersih 2.88 Cukup Ideal
4 Sangat Sedikit Cukup Defisit Pangan
6
83 KAMPAR Tapung Hulu Sangat Layak 69.9 3.1 Sangat Bersih 4.1 Tidak
Ideal
1.99 Sangat Sedikit Sangat Defisit
Pangan
6
84 KAMPAR Tapung Hilir Layak 61.9 3.2 Sangat Bersih 3.5 Tidak Ideal
5 Sangat Sedikit Sangat Defisit Pangan
6
85 KAMPAR Bangkinang Kota Sangat Layak 60.9 2.3 Sangat Bersih 2.5 Ideal 26 Sangat Sedikit Sangat Defisit
Pangan
6
86 KAMPAR Bangkinang Layak 69 2.8 Sangat Bersih 3.9 Tidak Ideal
3.03 Sangat Sedikit Cukup Defisit Pangan
6
87 KAMPAR Kampar Hampir
Layak
60.1 3.2 Sangat Bersih 2.09 Cukup
Ideal
9 Sangat Sedikit Cukup Defisit
Pangan
6
88 KAMPAR Kampar Timur Layak 70.4 6.3 Sangat Bersih 5.5 Sangat Tidak
Ideal
27.7 Hampir Banyak
Sangat Defisit Pangan
3
89 KAMPAR Rumbio Jaya Sangat Layak 68 3.7 Sangat Bersih 2.9 Cukup Ideal
24.32 Sedikit Sangat Defisit Pangan
4
90 KAMPAR Kampar Utara Layak 70 4 Sangat Bersih 3.6 Cukup
Ideal
25 Sedikit Sangat Defisit
Pangan
4
91 KAMPAR Tambang Sangat Layak 60.4 2.95 Sangat Bersih 3.49 Tidak Ideal
11.76 Sangat Sedikit Sangat Defisit Pangan
6
92 KAMPAR Siak Hulu Hampir
Layak
67.4 2.3 Sangat Bersih 2.66 Cukup
Ideal
0.8 Sangat Sedikit Surplus Pangan 6
93 KAMPAR Perhentian Raja Layak 69.1 2.97 Sangat Bersih 3.51 Tidak Ideal
1.9 Sangat Sedikit Sangat Defisit Pangan
6
94 ROKAN HULU Rokan IV Koto Layak 66.6 6.49 Sangat Bersih 3.8 Sangat
Tidak
Ideal
7.14 Sangat Sedikit Defisit Pangan 5
95 ROKAN HULU Pendalian IV Koto Hampir
Layak
65.8 6.63 Sangat Bersih 3.7 Sangat
Tidak
40.3 Sedikit Sangat Defisit
Pangan
4
A-7
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
Ideal
96 ROKAN HULU Tandun Layak 67 5.63 Sangat Bersih 2.47 Sangat
Tidak Ideal
1.3 Sedikit Sangat Defisit
Pangan
5
97 ROKAN HULU Kabun Hampir
Layak
70.8 17.61 Sangat Bersih 33.34 Sangat
Tidak
Ideal
16.8 Sangat Sedikit Sangat Defisit
Pangan
3
98 ROKAN HULU Ujung Batu Sangat Layak 61 5.63 Sangat Bersih 2.47 Sangat
Tidak
Ideal
1.6 Sangat Sedikit Sangat Defisit
Pangan
6
99 ROKAN HULU Rambah Samo Cukup Layak 70.8 29.95 Sangat Bersih 14.37 Sangat Tidak
Ideal
54 Banyak Sangat Defisit Pangan
1
100 ROKAN HULU Rambah Tidak Layak 69.1 27.8 Cukup Bersih 3.5 Sangat Tidak
Ideal
8.29 Sangat Banyak
Sangat Defisit Pangan
2
101 ROKAN HULU Rambah Hilir Hampir
Layak
70.8 8.9 Sangat Bersih 3.34 Sangat
Tidak Ideal
17.5 Cukup Banyak Sangat Defisit
Pangan
3
102 ROKAN HULU Bangun Purba Cukup Layak 71 16.43 Sangat Bersih 33.34 Sangat
Tidak Ideal
52.46 Banyak Sangat Defisit
Pangan
1
103 ROKAN HULU Tambusai Hampir
Layak
70.8 7.61 Sangat Bersih 3.34 Sangat
Tidak Ideal
8.33 Sangat Sedikit Sangat Defisit
Pangan
5
104 ROKAN HULU Tambusai Utara Layak 88 9 Sangat Bersih 7 Sangat
Tidak
Ideal
2.6 Hampir
Banyak
Sangat Defisit
Pangan
3
105 ROKAN HULU Kepenuhan Tidak Layak 70.5 25.5 Bersih 7.8 Sangat
Tidak
Ideal
49.8 Cukup Banyak Sangat Defisit
Pangan
1
106 ROKAN HULU Kepenuhan Hulu Cukup Layak 67.8 8.5 Sangat Bersih 23.3 Sangat Tidak
Ideal
25 Cukup Banyak Sangat Defisit Pangan
3
107 ROKAN HULU Kunto Darussalam Cukup Layak 69 8.99 Tidak Bersih 19.7 Sangat
Tidak
Ideal
25 Cukup Banyak Sangat Defisit
Pangan
2
108 ROKAN HULU Pagaran Tapah
Darussalam
Tidak Layak 65.8 25.63 Cukup Bersih 7.1 Sangat
Tidak Ideal
50.2 Sangat
Banyak
Sangat Defisit
Pangan
2
109 ROKAN HULU Bonai Darussalam Hampir 67.5 9.3 Sangat Bersih 7.3 Sangat 17.32 Sangat Sedikit Sangat Defisit 4
A-8
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
Layak Tidak
Ideal
Pangan
110 BENGKALIS Mandau Sangat Layak 60 2.87 Sangat Bersih 3.1 Cukup Ideal
3.99 Sangat Sedikit Sangat Defisit Pangan
6
111 BENGKALIS Pinggir Tidak Layak 74.3 5.7 Sangat Bersih 13.09 Tidak
Ideal
47.37 Sedikit Sangat Defisit
Pangan
3
112 BENGKALIS Bukit Batu Sangat Layak 58.7 2.96 Sangat Bersih 3.4 Cukup Ideal
2.4 Sangat Sedikit Cukup Defisit Pangan
6
113 BENGKALIS Siak Kecil Hampir
Layak
72 23.46 Sangat Bersih 15.8 Tidak
Ideal
38.88 Cukup Banyak Sangat Defisit
Pangan
3
114 BENGKALIS Rupat Sangat Layak 74.3 5.7 Sangat Bersih 4.7 Tidak Ideal
12.5 Sangat Sedikit Sangat Defisit Pangan
5
115 BENGKALIS Rupat Utara Sangat Layak 74.3 4.6 Sangat Bersih 4.7 Tidak
Ideal
12.5 Sangat Sedikit Sangat Defisit
Pangan
5
116 BENGKALIS Bengkalis Sangat Layak 70 3.01 Sangat Bersih 2.29 Cukup Ideal
6.5 Sangat Sedikit Sangat Defisit Pangan
6
117 BENGKALIS Bantan Tidak Layak 74.3 4.8 Bersih 19.09 Sangat
Tidak
Ideal
19.6 Sangat Sedikit Sangat Defisit
Pangan
3
118 ROKAN HILIR Tanah Putih Sangat Tidak
Layak
67.3 9.7 Sangat Bersih 4.04 Cukup
Ideal
5.88 Sangat
Banyak
Sangat Defisit
Pangan
2
119 ROKAN HILIR Pujud Hampir
Layak
68.4 10.5 Sangat Bersih 9.5 Tidak
Ideal
20.4 Sedikit Sangat Defisit
Pangan
4
120 ROKAN HILIR Tanah Putih
Tanjung
Sangat Layak 69 5 Sangat Bersih 3.7 Tidak
Ideal
17.54 Sedikit Sangat Defisit
Pangan
4
121 ROKAN HILIR Rantau Kopar Hampir Layak
70.6 6.9 Sangat Bersih 5.7 Tidak Ideal
19.6 Sangat Banyak
Sangat Defisit Pangan
3
122 ROKAN HILIR Bagan Sinembah Hampir
Layak
45.9 5 Sangat Bersih 27 Cukup
Ideal
29 Sedikit Sangat Defisit
Pangan
3
123 ROKAN HILIR Simpang Kanan Tidak Layak 72.1 13.2 Bersih 38.9 Sangat Tidak
Ideal
35 Sangat Banyak
Sangat Defisit Pangan
1
124 ROKAN HILIR Kubu Sangat Layak 30 9.6 Sangat Bersih 6.8 Sangat
Tidak Ideal
25 Sedikit Sangat Defisit
Pangan
4
125 ROKAN HILIR Pasir Limau
Kapas
Sangat Layak 75.7 5.6 Sangat Bersih 5.3 Tidak
Ideal
12.5 Sangat Sedikit Sangat Defisit
Pangan
5
126 ROKAN HILIR Bangko Tidak Layak 48.2 6.7 Sangat Bersih 26.43 Tidak Ideal
28.54 Sedikit Sangat Defisit Pangan
3
127 ROKAN HILIR Sinaboi Sangat Layak 71.8 6.8 Sangat Bersih 5.12 Cukup 2.9 Sangat Sedikit Hampir Defisit 6
A-9
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
Ideal Pangan
128 ROKAN HILIR Batu Hampar Sangat Layak 35 8.7 Sangat Bersih 6.8 Sangat
Tidak Ideal
25 Sedikit Sangat Defisit
Pangan
4
129 ROKAN HILIR Pekaitan Hampir
Layak
70.9 5.95 Bersih 6.7 Tidak
Ideal
31.56 Sedikit Sangat Defisit
Pangan
3
130 ROKAN HILIR Rimba Melintang Cukup Layak 69.3 9.5 Sangat Bersih 3.98 Tidak Ideal
43.3 Sangat Sedikit Hampir Defisit Pangan
4
131 ROKAN HILIR Bangko Pusako Layak 75.1 5.8 Sangat Bersih 28.65 Cukup
Ideal
30.46 Hampir
Banyak
Sangat Defisit
Pangan
3
132 KEPULAUAN MERANTI
Tebing Tinggi Barat
Sangat Tidak Layak
70.8 18.5 Hampir Bersih 6.82 Tidak Ideal
76.1 Hampir Banyak
Sangat Defisit Pangan
2
133 KEPULAUAN
MERANTI
Tebing Tinggi Layak 67.4 9.33 Bersih 5.59 Ideal 3.08 Sangat Sedikit Cukup Defisit
Pangan
5
134 KEPULAUAN MERANTI
Tebing Tinggi Timur
Sangat Tidak Layak
70 17.6 Bersih 8.1 Sangat Tidak
Ideal
87.1 Hampir Banyak
Sangat Defisit Pangan
1
135 KEPULAUAN
MERANTI
Rangsang Sangat Tidak
Layak
70.5 17.8 Bersih 8.4 Sangat
Tidak Ideal
16.2 Hampir
Banyak
Sangat Defisit
Pangan
1
136 KEPULAUAN
MERANTI
Rangsang Barat Tidak Layak 69 14.2 Bersih 10.33 Tidak
Ideal
65.1 Banyak Sangat Defisit
Pangan
1
137 KEPULAUAN MERANTI
Merbau Tidak Layak 68.5 15.6 Bersih 5.81 Tidak Ideal
8.22 Sangat Sedikit Sangat Defisit Pangan
4
138 KEPULAUAN
MERANTI
Pulau Merbau Sangat Tidak
Layak
72.6 18.4 Bersih 9.1 Sangat
Tidak Ideal
50.2 Sangat Sedikit Sangat Defisit
Pangan
2
139 Kuantan Singingi Kuantan Mudik Layak 68.5 1.27 Sangat Bersih 3.66 Tidak
Ideal
4.17 Sangat Sedikit Cukup Defisit
Pangan
5
140 Kuantan Singingi Hulu Kuantan Layak 68.5 1.24 Sangat Bersih 3.57 Tidak Ideal
2.4 Sangat Sedikit Surplus Pangan 6
141 Kuantan Singingi Gunung Toar Layak 69.1 1.22 Sangat Bersih 3.52 Tidak
Ideal
1.3 Sangat Sedikit Sangat Surplus
Pangan
6
142 Kuantan Singingi Singingi Layak 68.1 1.2 Sangat Bersih 3.47 Tidak Ideal
1.4 Sangat Sedikit Sangat Defisit Pangan
6
143 Kuantan Singingi Singingi Hilir Layak 69 1.25 Sangat Bersih 3.6 Tidak
Ideal
2.1 Sangat Sedikit Sangat Defisit
Pangan
5
144 Kuantan Singingi Kuantan Tengah Sangat Layak 67.1 1.13 Sangat Bersih 3.27 Tidak Ideal
4.6 Sangat Sedikit Cukup Defisit Pangan
6
145 Kuantan Singingi Benai Layak 68.2 1.31 Sangat Bersih 3.79 Tidak 37.5 Sangat Sedikit Sangat Defisit 4
A-1
0
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
Ideal Pangan
146 Kuantan Singingi Kuantan Hilir Layak 72.2 1.53 Sangat Bersih 4.42 Sangat
Tidak Ideal
19 Sangat Sedikit Defisit Pangan 5
147 Kuantan Singingi Pangean Layak 68.9 1.33 Bersih 3.83 Tidak
Ideal
31.3 Hampir
Banyak
Sangat Defisit
Pangan
3
148 Kuantan Singingi Logas Tanah Darat
Layak 68.3 1.23 Sangat Bersih 3.56 Tidak Ideal
13.33 Cukup Banyak Sangat Defisit Pangan
4
149 Kuantan Singingi Cerenti Layak 68.34 1.53 Sangat Bersih 4.42 Tidak
Ideal
3.23 Sangat Sedikit Hampir Defisit
Pangan
6
150 Kuantan Singingi Inuman Layak 72.2 1.53 Tidak Bersih 4.42 Sangat Tidak
Ideal
33.23 Hampir Banyak
Sangat Defisit Pangan
2
151 Indragiri Hulu Peranap Sangat Layak 65.34 7.06 Sangat Bersih 4.23 Tidak
Ideal
2.12 Sangat Sedikit Sangat Defisit
Pangan
6
152 Indragiri Hulu Batang Peranap Sangat Layak 68.1 5.39 Sangat Bersih 3.23 Tidak
Ideal
60 Sangat Sedikit Defisit Pangan 4
153 Indragiri Hulu Seberida Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak
Ideal
1.2 Sangat Sedikit Sangat Defisit
Pangan
2
154 Indragiri Hulu Batang Cenaku Sangat Layak 69 5.71 Sangat Bersih 3.42 Tidak
Ideal
55 Sangat Sedikit Sangat Defisit
Pangan
4
155 Indragiri Hulu Batang Gansal Sangat Layak 69.21 7.06 Sangat Bersih 4.23 Tidak
Ideal
5.6 Sangat Sedikit Sangat Defisit
Pangan
5
156 Indragiri Hulu Kelayang Sangat Layak 72.6 7.06 Sangat Bersih 4.23 Sangat
Tidak
Ideal
5.88 Sangat Sedikit Sangat Defisit
Pangan
5
157 Indragiri Hulu Rakit Kulim Sangat Layak 72.6 7.06 Sangat Bersih 4.23 Sangat
Tidak
Ideal
31.04 Cukup Banyak Sangat Defisit
Pangan
3
158 Indragiri Hulu Pasir Penyu Sangat Layak 69.8 5.65 Sangat Bersih 3.38 Tidak Ideal
2.1 Sangat Sedikit Sangat Defisit Pangan
5
159 Indragiri Hulu Lirik Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak
Ideal
1.2 Sangat Sedikit Sangat Defisit
Pangan
5
160 Indragiri Hulu Sungai Lala Sangat Layak 70 6.39 Sangat Bersih 3.82 Sangat Tidak
Ideal
3.7 Sedikit Sangat Defisit Pangan
4
161 Indragiri Hulu Lubuk Batu Jaya Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak Ideal
0.23 Sangat Sedikit Sangat Defisit Pangan
6
162 Indragiri Hulu Rengat Barat Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak
Ideal
2.4 Sangat Sedikit Sangat Defisit
Pangan
5
A-1
1
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
163 Indragiri Hulu Rengat Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak
Ideal
2.4 Sangat Sedikit Sangat Defisit
Pangan
6
164 Indragiri Hulu Kuala Cenaku Sangat Layak 72.6 7.06 Sangat Bersih 4.23 Sangat Tidak
Ideal
36.43 Cukup Banyak Sangat Defisit Pangan
3
165 Indragiri Hilir Keritang Hampir
Layak
75.7 22.33 Sangat Tidak
Bersih
3.93 Sangat
Tidak Ideal
35.43 Cukup Banyak Sangat Defisit
Pangan
1
166 Indragiri Hilir Kemuning Sangat Layak 70.3 16.5 Bersih 2.9 Tidak
Ideal
50 Sangat Sedikit Sangat Defisit
Pangan
4
167 Indragiri Hilir Reteh Sangat Layak 72.6 18.67 Bersih 3.28 Tidak Ideal
31.98 Hampir Banyak
Sangat Defisit Pangan
2
168 Indragiri Hilir Sungai Batang Sangat Layak 73.3 19.77 Bersih 3.48 Sangat
Tidak Ideal
31.45 Hampir
Banyak
Sangat Defisit
Pangan
2
169 Indragiri Hilir Enok Sangat Layak 72.2 18.13 Bersih 3.19 Tidak
Ideal
25.43 Sangat Sedikit Sangat Defisit
Pangan
3
170 Indragiri Hilir Tanah Merah Sangat Layak 72.2 17.32 Bersih 3.05 Tidak Ideal
36 Cukup Banyak Sangat Defisit Pangan
2
171 Indragiri Hilir Kuala Indragiri Sangat Layak 73.6 21.02 Bersih 3.7 Sangat
Tidak
Ideal
23.46 Cukup Banyak Sangat Defisit
Pangan
2
172 Indragiri Hilir Concong Sangat Layak 75.7 22.33 Bersih 4.78 Sangat
Tidak
Ideal
39.54 Cukup Banyak Sangat Defisit
Pangan
1
173 Indragiri Hilir Tembilahan Sangat Layak 70.3 16.5 Bersih 2.9 Tidak
Ideal
12.5 Sedikit Sangat Defisit
Pangan
5
174 Indragiri Hilir Tembilahan Hulu Sangat Layak 70.3 10.36 Sangat Bersih 2.9 Tidak
Ideal
1.43 Sangat Sedikit Cukup Defisit
Pangan
6
175 Indragiri Hilir Tempuling Sangat Layak 75.7 22.33 Bersih 3.93 Sangat
Tidak
Ideal
11.11 Sangat Sedikit Sangat Defisit
Pangan
4
176 Indragiri Hilir Kempas Sangat Layak 72.4 20.03 Bersih 3.52 Sangat Tidak
Ideal
39.84 Banyak Sangat Defisit Pangan
1
177 Indragiri Hilir Batang Tuaka Sangat Layak 75.7 22.33 Bersih 3.93 Sangat Tidak
Ideal
7.69 Sangat Sedikit Sangat Surplus Pangan
5
178 Indragiri Hilir Gaung Anak
Serka
Sangat Layak 70.3 21.89 Cukup Bersih 2.9 Sangat
Tidak
43.98 Banyak Sangat Defisit
Pangan
1
A-1
2
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
Ideal
179 Indragiri Hilir Gaung Sangat Layak 75.7 22.33 Bersih 3.93 Sangat
Tidak Ideal
13.21 Sangat Sedikit Cukup Defisit
Pangan
4
180 Indragiri Hilir Mandah Sangat Layak 75.7 22.33 Bersih 3.93 Sangat
Tidak
Ideal
25.43 Sedikit Sangat Defisit
Pangan
2
181 Indragiri Hilir Kateman Sangat Layak 70.3 16.5 Bersih 2.9 Tidak
Ideal
16.43 Sedikit Sangat Defisit
Pangan
3
182 Indragiri Hilir Pelangiran Layak 71.9 20.55 Hampir Bersih 3.61 Sangat
Tidak Ideal
45.98 Banyak Sangat Defisit
Pangan
1
183 Indragiri Hilir Teluk Belongkong Sangat Layak 70.3 16.5 Bersih 2.9 Tidak
Ideal
28.65 Sedikit Sangat Defisit
Pangan
3
184 Indragiri Hilir Pulau Burung Sangat Layak 75.7 22.33 Bersih 3.93 Sangat Tidak
Ideal
3.32 Sedikit Sangat Defisit Pangan
4
185 Pelalawan Langgam Layak 68.6 10.17 Sangat Bersih 6.19 Tidak Ideal
2.21 Sangat Sedikit Sangat Defisit Pangan
5
186 Pelalawan Pangkalan Kerinci Sangat Layak 67.6 8.81 Sangat Bersih 3.32 Cukup
Ideal
1.02 Sangat Sedikit Sangat Defisit
Pangan
6
187 Pelalawan Bandar Seikijang Sangat Layak 69.2 9.87 Sangat Bersih 6.01 Cukup Ideal
1.38 Sangat Sedikit Sangat Defisit Pangan
6
188 Pelalawan Pangkalan Kuras Layak 67.6 8.81 Sangat Bersih 5.36 Tidak
Ideal
3.1 Sangat Sedikit Sangat Defisit
Pangan
5
189 Pelalawan Ukui Layak 69.5 23.44 Hampir Bersih 5.9 Sangat Tidak
Ideal
46.53 Cukup Banyak Sangat Defisit Pangan
1
190 Pelalawan Pangkalan Lesung Layak 69.8 9.29 Bersih 5.66 Sangat Tidak
Ideal
44.32 Banyak Sangat Defisit Pangan
1
191 Pelalawan Bunut Layak 70 9.98 Sangat Bersih 6.08 Sangat
Tidak Ideal
38.65 Cukup Banyak Sangat Defisit
Pangan
2
192 Pelalawan Pelalawan Layak 72.8 11.92 Sangat Bersih 7.25 Sangat
Tidak Ideal
1.43 Sangat Sedikit Sangat Surplus
Pangan
5
193 Pelalawan Bandar
Petalangan
Layak 68.7 9.35 Sangat Bersih 5.7 Sangat
Tidak
Ideal
9.09 Hampir
Banyak
Sangat Defisit
Pangan
4
A-1
3
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
194 Pelalawan Kuala Kampar Layak 71.1 11.64 Sangat Bersih 7.09 Sangat
Tidak
Ideal
48.53 Banyak Sangat Defisit
Pangan
1
195 Pelalawan Kerumutan Hampir
Layak
69.3 22.75 Sangat Bersih 6.32 Sangat
Tidak
Ideal
46.43 Banyak Sangat Defisit
Pangan
1
196 Pelalawan Teluk Meranti Layak 72.8 11.92 Sangat Bersih 7.25 Sangat Tidak
Ideal
37.64 Cukup Banyak Sangat Defisit Pangan
2
197 Siak Minas Sangat Layak 72.4 2.49 Sangat Bersih 3.69 Cukup Ideal
2.4 Sangat Sedikit Sangat Defisit Pangan
5
198 Siak Sungai Mandau Sangat Layak 70.5 1.99 Sangat Bersih 2.95 Cukup
Ideal
26.43 Hampir
Banyak
Sangat Defisit
Pangan
4
199 Siak Kandis Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup Ideal
20.32 Sedikit Sangat Defisit Pangan
4
200 Siak Siak Sangat Layak 70.5 1.99 Sangat Bersih 2.95 Cukup
Ideal
2.3 Sedikit Sangat Defisit
Pangan
5
201 Siak Kerinci Kanan Sangat Layak 70.5 1.99 Sangat Bersih 2.95 Cukup Ideal
3.3 Sangat Sedikit Sangat Defisit Pangan
6
202 Siak Tualang Sangat Layak 74.5 2.65 Sangat Bersih 3.92 Tidak
Ideal
38.54 Hampir
Banyak
Sangat Defisit
Pangan
3
203 Siak Dayun Sangat Layak 70.5 22.89 Cukup Bersih 5.54 Sangat Tidak
Ideal
49.75 Banyak Sangat Defisit Pangan
1
204 Siak Lubuk Dalam Sangat Layak 70.5 1.99 Sangat Bersih 2.95 Cukup Ideal
1.02 Sangat Sedikit Sangat Defisit Pangan
6
205 Siak Koto Gasib Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup
Ideal
9.09 Sangat Sedikit Sangat Defisit
Pangan
5
206 Siak Mampura Sangat Layak 73.4 2.53 Sangat Bersih 3.74 Tidak Ideal
40.32 Cukup Banyak Sangat Defisit Pangan
3
207 Siak Sungai Apit Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup
Ideal
46.67 Sedikit Sangat Defisit
Pangan
4
208 Siak Bunga Raya Sangat Layak 72.7 2.2 Sangat Bersih 3.26 Cukup Ideal
6.9 Sangat Sedikit Sangat Surplus Pangan
6
209 Siak Sabak Auh Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup
Ideal
25.3 Hampir
Banyak
Sangat Surplus
Pangan
5
210 Siak Pusako Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup Ideal
25.32 Sangat Sedikit Sangat Defisit Pangan
4
211 Kampar Kampar Kiri Sangat Layak 69.2 2.81 Sangat Bersih 3.32 Tidak
Ideal
25 Sedikit Sangat Defisit
Pangan
3
A-1
4
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
212 Kampar Kampar Kiri Hulu Layak 72.5 3.04 Sangat Bersih 3.6 Tidak
Ideal
25 Sedikit Sangat Defisit
Pangan
3
213 Kampar Kampar Kiri Hilir Sangat Layak 67.4 2.25 Sangat Bersih 2.66 Cukup Ideal
12.5 Cukup Banyak Sangat Defisit Pangan
4
214 Kampar Gunung Sahilan Layak 78.1 2.98 Sangat Bersih 3.53 Tidak
Ideal
25.56 Sangat Sedikit Sangat Defisit
Pangan
5
215 Kampar Kampar Kiri Tengah
Sangat Layak 67.4 24.57 Sangat Bersih 2.66 Tidak Ideal
23.56 Hampir Banyak
Sangat Defisit Pangan
3
216 Kampar XIII Koto Kampar Cukup Layak 72.5 30.04 Sangat Bersih 13.6 Sangat
Tidak
Ideal
77.69 Sangat
Banyak
Sangat Defisit
Pangan
1
217 Kampar Koto Kampar
Hulu
Sangat Layak 87.1 2.25 Sangat Bersih 2.66 Ideal 20 Sangat Sedikit Sangat Defisit
Pangan
6
218 Kampar Kuok Sangat Layak 69.2 2.42 Sangat Bersih 2.86 Cukup
Ideal
3.3 Sangat Sedikit Cukup Defisit
Pangan
6
219 Kampar Salo Sangat Layak 67.4 2.25 Sangat Bersih 2.66 Cukup
Ideal
11.3 Sangat Sedikit Defisit Pangan 6
220 Kampar Tapung Sangat Layak 69.1 2.36 Sangat Bersih 2.79 Cukup
Ideal
4 Sangat Sedikit Sangat Defisit
Pangan
6
221 Kampar Tapung Hulu Sangat Layak 69.9 2.84 Sangat Bersih 3.36 Tidak
Ideal
1.27 Sangat Sedikit Sangat Defisit
Pangan
6
222 Kampar Tapung Hilir Sangat Layak 69.3 2.82 Sangat Bersih 3.33 Tidak
Ideal
5 Sangat Sedikit Sangat Defisit
Pangan
6
223 Kampar Bangkinang Kota Sangat Layak 65.2 2.25 Sangat Bersih 2.66 Ideal 26 Sangat Sedikit Sangat Defisit
Pangan
6
224 Kampar Bangkinang Sangat Layak 69 2.72 Sangat Bersih 3.21 Tidak Ideal
2.8 Sangat Sedikit Cukup Defisit Pangan
6
225 Kampar Kampar Sangat Layak 67.4 2.25 Sangat Bersih 2.66 Cukup
Ideal
9 Sangat Sedikit Sangat Defisit
Pangan
6
226 Kampar Kampar Timur Sangat Layak 70.4 2.77 Sangat Bersih 3.28 Sangat Tidak
Ideal
24.3 Hampir Banyak
Sangat Defisit Pangan
3
227 Kampar Rumbio Jaya Sangat Layak 68.1 2.32 Sangat Bersih 2.75 Cukup
Ideal
24.32 Sedikit Sangat Defisit
Pangan
4
228 Kampar Kampar Utara Layak 67.8 3.04 Sangat Bersih 3.6 Ideal 12.5 Sangat Sedikit Sangat Defisit
Pangan
5
229 Kampar Tambang Sangat Layak 60.4 2.95 Sangat Bersih 3.49 Tidak
Ideal
11.76 Sangat Sedikit Sangat Defisit
Pangan
6
230 Kampar Siak Hulu Sangat Layak 67.4 2.25 Sangat Bersih 2.66 Cukup
Ideal
0.6 Sangat Sedikit Sangat Defisit
Pangan
6
A-1
5
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
231 Kampar Perhentian Raja Layak 70.7 2.97 Sangat Bersih 3.51 Tidak
Ideal
0.3 Sangat Sedikit Sangat Defisit
Pangan
6
232 Rokan Hulu Rokan IV Koto Layak 66.6 6.49 Sangat Bersih 2.85 Sangat Tidak
Ideal
7.14 Sangat Sedikit Defisit Pangan 5
233 Rokan Hulu Pendalian IV Koto Sangat Layak 65.8 5.63 Sangat Bersih 2.47 Sangat
Tidak Ideal
40.3 Sedikit Sangat Defisit
Pangan
4
234 Rokan Hulu Tandun Sangat Layak 65.8 5.63 Sangat Bersih 2.47 Sangat
Tidak Ideal
1.3 Sedikit Sangat Defisit
Pangan
5
235 Rokan Hulu Kabun Layak 70.8 17.61 Sangat Bersih 33.34 Sangat
Tidak
Ideal
16.67 Sangat Sedikit Sangat Defisit
Pangan
3
236 Rokan Hulu Ujung Batu Sangat Layak 60 5.63 Sangat Bersih 2.47 Sangat
Tidak
Ideal
0.19 Sangat Sedikit Sangat Defisit
Pangan
6
237 Rokan Hulu Rambah Samo Cukup Layak 70.8 29.95 Sangat Bersih 14.37 Sangat Tidak
Ideal
53.56 Banyak Sangat Defisit Pangan
1
238 Rokan Hulu Rambah Tidak Layak 66.3 25.67 Cukup Bersih 2.49 Sangat Tidak
Ideal
7.14 Sangat Banyak
Sangat Defisit Pangan
2
239 Rokan Hulu Rambah Hilir Layak 70.8 7.61 Sangat Bersih 3.34 Sangat Tidak
Ideal
15.38 Cukup Banyak Sangat Defisit Pangan
3
240 Rokan Hulu Bangun Purba Layak 70.8 16.43 Sangat Bersih 33.34 Sangat
Tidak Ideal
52.46 Banyak Sangat Defisit
Pangan
1
241 Rokan Hulu Tambusai Layak 70.8 7.61 Sangat Bersih 3.34 Sangat
Tidak Ideal
8.33 Sangat Sedikit Sangat Defisit
Pangan
5
242 Rokan Hulu Tambusai Utara Layak 88 7.32 Sangat Bersih 3.21 Sangat
Tidak
Ideal
2.6 Hampir
Banyak
Sangat Defisit
Pangan
3
243 Rokan Hulu Kepenuhan Cukup Layak 66.8 15.89 Sangat Bersih 5.05 Sangat
Tidak
Ideal
46.42 Cukup Banyak Sangat Defisit
Pangan
1
244 Rokan Hulu Kepenuhan Hulu Layak 67.8 7.29 Sangat Bersih 23.3 Sangat Tidak
Ideal
20 Hampir Banyak
Sangat Defisit Pangan
3
A-1
6
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
245 Rokan Hulu Kunto Darussalam Layak 67.4 7.02 Tidak Bersih 3.08 Sangat
Tidak
Ideal
23.08 Cukup Banyak Sangat Defisit
Pangan
2
246 Rokan Hulu Pagaran Tapah
Darussalam
Hampir
Layak
65.8 25.63 Sangat Bersih 2.47 Sangat
Tidak
Ideal
50.2 Sangat
Banyak
Sangat Defisit
Pangan
2
247 Rokan Hulu Bonai Darussalam Layak 67.5 6.18 Sangat Bersih 2.71 Sangat Tidak
Ideal
17.32 Sangat Sedikit Sangat Defisit Pangan
4
248 Bengkalis Mandau Sangat Layak 59 2.87 Sangat Bersih 2.29 Cukup Ideal
4.17 Sangat Sedikit Sangat Defisit Pangan
6
249 Bengkalis Pinggir Tidak Layak 74.3 3.88 Sangat Bersih 13.09 Tidak
Ideal
47.37 Sedikit Sangat Defisit
Pangan
3
250 Bengkalis Bukit Batu Sangat Layak 69.8 2.96 Sangat Bersih 2.36 Cukup Ideal
2.4 Sangat Sedikit Cukup Defisit Pangan
6
251 Bengkalis Siak Kecil Hampir
Layak
72 23.46 Sangat Bersih 9.9 Tidak
Ideal
38.88 Sedikit Sangat Defisit
Pangan
3
252 Bengkalis Rupat Sangat Layak 70.7 3 Sangat Bersih 2.39 Cukup Ideal
8.65 Sangat Sedikit Sangat Defisit Pangan
5
253 Bengkalis Rupat Utara Sangat Layak 74.3 3.88 Sangat Bersih 3.09 Tidak
Ideal
12.5 Sangat Sedikit Sangat Defisit
Pangan
5
254 Bengkalis Bengkalis Sangat Layak 70 2.87 Sangat Bersih 2.29 Cukup Ideal
6.45 Sangat Sedikit Sangat Defisit Pangan
6
255 Bengkalis Bantan Tidak Layak 74.3 3.88 Bersih 19.09 Sangat
Tidak Ideal
11.7 Sangat Sedikit Sangat Defisit
Pangan
3
256 Rokan Hilir Tanah Putih Sangat Layak 65.9 4.4 Sangat Bersih 3.04 Cukup
Ideal
5.88 Sangat
Banyak
Sangat Defisit
Pangan
2
257 Rokan Hilir Pujud Sangat Layak 68.6 5.02 Sangat Bersih 3.47 Tidak Ideal
18.75 Sedikit Sangat Defisit Pangan
4
258 Rokan Hilir Tanah Putih
Tanjung
Sangat Layak 67.7 4.62 Sangat Bersih 3.2 Tidak
Ideal
17.54 Sedikit Sangat Defisit
Pangan
4
259 Rokan Hilir Rantau Kopar Sangat Layak 68 4.75 Sangat Bersih 3.29 Tidak Ideal
12.7 Sangat Banyak
Sangat Defisit Pangan
3
260 Rokan Hilir Bagan Sinembah Sangat Layak 45.9 4.4 Sangat Bersih 26.43 Cukup
Ideal
28.65 Sedikit Sangat Defisit
Pangan
3
261 Rokan Hilir Simpang Kanan Hampir Layak
68.2 5.24 Bersih 36.74 Sangat Tidak
Ideal
34.23 Sangat Banyak
Sangat Defisit Pangan
1
262 Rokan Hilir Kubu Sangat Layak 27.9 5.7 Sangat Bersih 3.94 Tidak 24.32 Sedikit Sangat Defisit 4
A-1
7
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan Faskes NCPR Target
Ideal Pangan
263 Rokan Hilir Pasir Limau
Kapas
Sangat Layak 45.2 5.75 Sangat Bersih 3.98 Tidak
Ideal
3 Sangat Sedikit Sangat Defisit
Pangan
5
264 Rokan Hilir Bangko Sangat Layak 48.2 4.76 Sangat Bersih 26.43 Tidak Ideal
28.54 Sedikit Sangat Defisit Pangan
3
265 Rokan Hilir Sinaboi Sangat Layak 70.9 5.95 Sangat Bersih 4.12 Ideal 2.9 Sangat Sedikit Sangat Surplus
Pangan
6
266 Rokan Hilir Batu Hampar Sangat Layak 50.79 5.95 Sangat Bersih 4.12 Tidak Ideal
21.2 Sangat Sedikit Sangat Defisit Pangan
4
267 Rokan Hilir Pekaitan Sangat Layak 70.9 5.95 Bersih 4.12 Tidak
Ideal
31.56 Sedikit Sangat Defisit
Pangan
3
268 Rokan Hilir Rimba Melintang Sangat Layak 68.2 7.76 Sangat Bersih 3.29 Tidak Ideal
41.9 Sangat Sedikit Sangat Surplus Pangan
4
269 Rokan Hilir Bangko Pusako Sangat Layak 75.1 4.4 Sangat Bersih 28.65 Cukup
Ideal
30.46 Hampir
Banyak
Sangat Defisit
Pangan
3
270 Kepulauan Meranti Tebing Tinggi Barat
Sangat Tidak Layak
69.7 16 Hampir Bersih 6.82 Tidak Ideal
76.1 Hampir Banyak
Sangat Defisit Pangan
2
271 Kepulauan Meranti Tebing Tinggi Tidak Layak 67.4 8.12 Bersih 5.59 Ideal 2.1 Sangat Sedikit Sangat Defisit
Pangan
5
272 Kepulauan Meranti Tebing Tinggi
Timur
Sangat Tidak
Layak
72 17.6 Bersih 7.5 Sangat
Tidak
Ideal
87.1 Hampir
Banyak
Sangat Defisit
Pangan
1
273 Kepulauan Meranti Rangsang Sangat Tidak Layak
70.5 16.18 Bersih 6.9 Tidak Ideal
14.29 Hampir Banyak
Sangat Defisit Pangan
1
274 Kepulauan Meranti Rangsang Barat Tidak Layak 67.4 13.12 Bersih 10.33 Tidak
Ideal
65.1 Banyak Sangat Defisit
Pangan
1
275 Kepulauan Meranti Merbau Tidak Layak 68.5 13.63 Bersih 5.81 Tidak Ideal
4.1 Sangat Sedikit Sangat Defisit Pangan
4
276 Kepulauan Meranti Pulau Merbau Sangat Tidak
Layak
72.6 17.75 Bersih 7.56 Sangat
Tidak Ideal
50.2 Sangat Sedikit Sangat Defisit
Pangan
3
B-1
LAMPIRAN B
PEMBAGIAN DATA
Pembagian data untuk penelitian ini di bagi menjadi dua yaitu data latih dan data uji. Pembagian data menggunakan
K-Fold dimana terdapat 12 fold masing-masing memiliki 23 data uji dan 253 data latih. Berikut pembagian data untuk data
latih pada fold 4 dapat dilihat di Tabel B.1.
Tabel B.1 Data Latih Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
1 Kuantan Singingi Kuantan Mudik Layak 68 1.1 Sangat Bersih 3.01 Tidak
Ideal
4.17 Sangat
Sedikit
Cukup Defisit
Pangan
5
2 Kuantan Singingi Hulu Kuantan Layak 67 2.3 Sangat Bersih 3.64 Ideal 6.4 Sangat Sedikit
Hampir Defisit Pangan
6
3 Kuantan Singingi Gunung Toar Layak 70 2.4 Sangat Bersih 4.7 Tidak
Ideal
2.6 Sangat
Sedikit
Sangat Defisit
Pangan
5
4 Kuantan Singingi Singingi Layak 68.5 1.41 Sangat Bersih 3.03 Tidak Ideal
1.3 Sangat Sedikit
Sangat Defisit Pangan
6
5 Kuantan Singingi Singingi Hilir Layak 70 1.47 Sangat Bersih 3.68 Tidak
Ideal
2.19 Sangat
Sedikit
Sangat Defisit
Pangan
5
6 Kuantan Singingi Kuantan Tengah Sangat Layak 67.4 1.19 Sangat Bersih 4.11 Tidak Ideal
4.7 Sangat Sedikit
Cukup Defisit Pangan
6
7 Kuantan Singingi Benai Tidak Layak 71.5 8.7 Sangat Bersih 5.6 Sangat
Tidak Ideal
32.5 Cukup
Banyak
Sangat Defisit
Pangan
3
8 Kuantan Singingi Kuantan Hilir Layak 73 1.76 Sangat Bersih 4.5 Sangat
Tidak
Ideal
19.3 Sangat
Sedikit
Cukup Defisit
Pangan
5
9 Kuantan Singingi Pangean Tidak Layak 72.2 6.3 Sangat Bersih 6.44 Sangat
Tidak
Ideal
40.6 Cukup
Banyak
Sangat Defisit
Pangan
2
10 Kuantan Singingi Logas Tanah Sangat Layak 69 2.1 Sangat Bersih 4 Sangat 15.4 Cukup Defisit Pangan 4
B-2
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Darat Tidak
Ideal
Banyak
11 Kuantan Singingi Cerenti Layak 68.4 1.59 Sangat Bersih 4.5 Tidak Ideal
3.3 Sangat Sedikit
Cukup Defisit Pangan
6
12 Kuantan Singingi Inuman Tidak Layak 79.2 28.8 Tidak Bersih 29.8 Sangat
Tidak
Ideal
39.7 Cukup
Banyak
Sangat Defisit
Pangan
1
13 Indragiri Hulu Peranap Sangat Layak 78 5.7 Sangat Bersih 2.98 Cukup
Ideal
2.2 Sangat
Sedikit
Sangat Defisit
Pangan
6
14 Indragiri Hulu Batang Peranap Layak 69.5 6.43 Sangat Bersih 3.4 Tidak
Ideal
60.5 Sangat
Sedikit
Defisit Pangan 4
15 Indragiri Hulu Seberida Sangat Tidak
Layak
70 7.1 Bersih 5.1 Sangat
Tidak
Ideal
5.8 Sangat
Sedikit
Sangat Defisit
Pangan
2
16 Indragiri Hulu Batang Cenaku Sangat Layak 68.5 5.91 Sangat Bersih 4.7 Tidak Ideal
56 Sangat Sedikit
Sangat Defisit Pangan
4
17 Indragiri Hulu Batang Gansal Sangat Layak 68 6.5 Sangat Bersih 4.7 Tidak
Ideal
56 Sangat
Sedikit
Sangat Defisit
Pangan
4
18 Indragiri Hulu Kelayang Layak 73 8.06 Sangat Bersih 5.23 Sangat Tidak
Ideal
6.88 Sangat Sedikit
Sangat Defisit Pangan
5
19 Indragiri Hulu Rakit Kulim Sangat Tidak Layak
70 7.06 Sangat Bersih 4.6 Sangat Tidak
Ideal
32 Cukup Banyak
Sangat Defisit Pangan
3
20 Indragiri Hulu Pasir Penyu Layak 70.3 6.1 Sangat Bersih 5.7 Tidak Ideal
2.15 Sangat Sedikit
Sangat Defisit Pangan
5
21 Indragiri Hulu Lirik Sangat Layak 69 5.5 Sangat Bersih 6.12 Tidak
Ideal
3.5 Sangat
Sedikit
Sangat Defisit
Pangan
5
22 Indragiri Hulu Sungai Lala Layak 75 8.95 Sangat Bersih 4.6 Sangat Tidak
Ideal
6.6 Sedikit Sangat Defisit Pangan
4
23 Indragiri Hulu Lubuk Batu Jaya Sangat Layak 67.9 5.8 Sangat Bersih 3.6 Tidak
Ideal
0.3 Sangat
Sedikit
Sangat Defisit
Pangan
6
24 Indragiri Hulu Rengat Barat Sangat Layak 67.5 5.32 Sangat Bersih 3.12 Tidak
Ideal
2.51 Sangat
Sedikit
Sangat Defisit
Pangan
5
25 Indragiri Hulu Rengat Sangat Layak 67.5 5.3 Sangat Bersih 3.2 Tidak
Ideal
2.5 Sangat
Sedikit
Sangat Defisit
Pangan
6
26 Indragiri Hulu Kuala Cenaku Tidak Layak 74.8 25.5 Bersih 6 Sangat
Tidak
Ideal
35.8 Hampir
Banyak
Sangat Defisit
Pangan
2
B-3
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
27 Indragiri Hilir Keritang Cukup Layak 75.7 23.4 Sangat Tidak
Bersih
4.8 Sangat
Tidak
Ideal
36.8 Cukup
Banyak
Sangat Defisit
Pangan
1
28 Indragiri Hilir Kemuning Sangat Layak 72 19.5 Bersih 3.1 Tidak
Ideal
50.5 Sangat
Sedikit
Sangat Defisit
Pangan
4
29 Indragiri Hilir Reteh Tidak Layak 72 19.22 Bersih 4.9 Sangat
Tidak Ideal
39.1 Hampir
Banyak
Sangat Defisit
Pangan
2
30 Indragiri Hilir Sungai Batang Tidak Layak 74 23.6 Bersih 5.7 Sangat
Tidak Ideal
35.8 Hampir
Banyak
Sangat Defisit
Pangan
2
31 Indragiri Hilir Enok Hampir
Layak
72.8 21.03 Bersih 6.98 Tidak
Ideal
25.43 Sangat
Sedikit
Sangat Defisit
Pangan
3
32 Indragiri Hilir Tanah Merah Sangat Layak 73.2 17.4 Bersih 4.05 Tidak Ideal
40 Cukup Banyak
Sangat Defisit Pangan
2
33 Indragiri Hilir Kuala Indragiri Tidak Layak 73.6 25.7 Bersih 4.8 Sangat
Tidak
Ideal
27.2 Cukup
Banyak
Sangat Defisit
Pangan
2
34 Indragiri Hilir Concong Cukup Layak 75 25.7 Bersih 7.2 Sangat
Tidak
Ideal
31.5 Cukup
Banyak
Sangat Defisit
Pangan
2
35 Indragiri Hilir Tembilahan Sangat Layak 70.5 17 Bersih 3.1 Tidak Ideal
13.5 Sedikit Sangat Defisit Pangan
5
36 Indragiri Hilir Tembilahan Hulu Sangat Layak 70.3 10.5 Sangat Bersih 2.9 Tidak
Ideal
1.4 Sangat
Sedikit
Cukup Defisit
Pangan
6
37 Indragiri Hilir Tempuling Layak 76 23.33 Bersih 4.1 Sangat
Tidak
Ideal
12.12 Sangat
Sedikit
Sangat Defisit
Pangan
4
38 Indragiri Hilir Kempas Hampir Layak
72.4 25.1 Bersih 4.9 Sangat Tidak
Ideal
40.72 Banyak Sangat Defisit Pangan
1
39 Indragiri Hilir Batang Tuaka Sangat Layak 76 23.33 Bersih 3.93 Sangat Tidak
Ideal
7.9 Sangat Sedikit
Sangat Surplus Pangan
5
40 Indragiri Hilir Gaung Anak
Serka
Cukup Layak 70.3 22.8 Cukup Bersih 3.7 Sangat
Tidak Ideal
44.1 Banyak Sangat Defisit
Pangan
1
41 Indragiri Hilir Gaung Layak 75.7 22.66 Bersih 3.95 Sangat
Tidak Ideal
13.78 Sangat
Sedikit
Cukup Defisit
Pangan
4
B-4
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
42 Indragiri Hilir Mandah Tidak Layak 77 24.7 Bersih 7.55 Sangat
Tidak
Ideal
25.43 Sedikit Sangat Defisit
Pangan
2
43 Indragiri Hilir Kateman Hampir
Layak
73 20.02 Bersih 6.3 Tidak
Ideal
18.3 Sedikit Sangat Defisit
Pangan
3
44 Indragiri Hilir Pelangiran Cukup Layak 72 23.1 Hampir Bersih 7.6 Sangat
Tidak Ideal
46.9 Banyak Sangat Defisit
Pangan
1
45 Indragiri Hilir Teluk Belongkong Layak 72 17.8 Bersih 5.6 Tidak
Ideal
30 Hampir
Banyak
Sangat Defisit
Pangan
3
46 Indragiri Hilir Pulau Burung Layak 76 23.56 Bersih 4.98 Sangat Tidak
Ideal
5.9 Hampir Banyak
Sangat Defisit Pangan
4
47 Pelalawan Langgam Layak 69.7 12.1 Sangat Bersih 6.2 Tidak Ideal
2.5 Sangat Sedikit
Sangat Defisit Pangan
5
48 Pelalawan Pangkalan Kerinci Sangat Layak 68 8.9 Sangat Bersih 3.5 Cukup
Ideal
1.2 Sangat
Sedikit
Sangat Defisit
Pangan
6
49 Pelalawan Bandar Seikijang Sangat Layak 69.2 9.1 Sangat Bersih 7.01 Cukup Ideal
1.5 Sangat Sedikit
Sangat Defisit Pangan
6
50 Pelalawan Pangkalan Kuras Layak 67.6 8.5 Sangat Bersih 5.5 Tidak
Ideal
3.9 Sangat
Sedikit
Sangat Defisit
Pangan
5
51 Pelalawan Ukui Cukup Layak 70.3 23.44 Hampir Bersih 7.9 Sangat Tidak
Ideal
47.8 Banyak Sangat Defisit Pangan
1
52 Pelalawan Pangkalan Lesung Tidak Layak 70 10.1 Bersih 6.9 Sangat Tidak
Ideal
45.7 Banyak Sangat Defisit Pangan
1
53 Pelalawan Bunut Cukup Layak 70 13.5 Sangat Bersih 7 Sangat
Tidak Ideal
40 Cukup
Banyak
Sangat Defisit
Pangan
2
54 Pelalawan Pelalawan Hampir
Layak
72.8 12 Sangat Bersih 7.3 Sangat
Tidak Ideal
1.9 Sangat
Sedikit
Hampir Defisit
Pangan
5
55 Pelalawan Bandar Petalangan Cukup Layak 68.7 10.7 Sangat Bersih 6.7 Sangat
Tidak
Ideal
10.2 Hampir
Banyak
Sangat Defisit
Pangan
4
56 Pelalawan Kuala Kampar Sangat Tidak
Layak
71.1 12.64 Sangat Bersih 7.16 Sangat
Tidak
Ideal
49.7 Banyak Sangat Defisit
Pangan
1
57 Pelalawan Kerumutan Hampir 70.5 23.7 Bersih 8.33 Sangat 46.43 Banyak Sangat Defisit 1
B-5
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Layak Tidak
Ideal
Pangan
58 Pelalawan Teluk Meranti Tidak Layak 73 14.7 Sangat Bersih 7.5 Sangat Tidak
Ideal
38.11 Cukup Banyak
Sangat Defisit Pangan
2
59 Siak Minas Hampir
Layak
72.4 3.9 Sangat Bersih 3.9 Cukup
Ideal
3.8 Sangat
Sedikit
Sangat Defisit
Pangan
5
60 Siak Sungai Mandau Layak 71 2.1 Bersih 3.5 Cukup
Ideal
27.8 Hampir
Banyak
Sangat Defisit
Pangan
4
61 Siak Kandis Sangat Layak 75.8 3 Sangat Bersih 3.99 Cukup
Ideal
20.32 Sedikit Sangat Defisit
Pangan
4
62 Siak Siak Sangat Layak 71 2.5 Bersih 2.95 Cukup
Ideal
2.6 Sedikit Sangat Defisit
Pangan
5
63 Siak Kerinci Kanan Sangat Layak 71.05 2.1 Sangat Bersih 2.95 Cukup
Ideal
3.5 Sangat
Sedikit
Sangat Defisit
Pangan
6
64 Siak Tualang Hampir
Layak
74 3 Sangat Bersih 4.5 Tidak
Ideal
38.54 Hampir
Banyak
Sangat Defisit
Pangan
3
65 Siak Dayun Tidak Layak 71.5 23.7 Cukup Bersih 6.9 Sangat
Tidak Ideal
50 Banyak Sangat Defisit
Pangan
1
66 Siak Lubuk Dalam Sangat Layak 71 2.1 Bersih 3.8 Ideal 1.5 Sangat
Sedikit
Cukup Defisit
Pangan
6
67 Siak Koto Gasib Sangat Layak 76 2.9 Bersih 4.5 Cukup Ideal
10.09 Sangat Sedikit
Sangat Defisit Pangan
5
68 Siak Mampura Layak 74 5.5 Sangat Bersih 3.74 Tidak
Ideal
40.32 Cukup
Banyak
Sangat Defisit
Pangan
3
69 Siak Sungai Apit Sangat Layak 76.1 3.2 Sangat Bersih 4.1 Cukup
Ideal
47.2 Sedikit Sangat Defisit
Pangan
4
70 Kampar Perhentian Raja Layak 69.1 2.97 Sangat Bersih 3.51 Tidak
Ideal
1.9 Sangat
Sedikit
Sangat Defisit
Pangan
6
71 Rokan Hulu Rokan IV Koto Layak 66.6 6.49 Sangat Bersih 3.8 Sangat
Tidak
Ideal
7.14 Sangat
Sedikit
Defisit Pangan 5
72 Rokan Hulu Pendalian IV Koto Hampir Layak
65.8 6.63 Sangat Bersih 3.7 Sangat Tidak
Ideal
40.3 Sedikit Sangat Defisit Pangan
4
73 Rokan Hulu Tandun Layak 67 5.63 Sangat Bersih 2.47 Sangat Tidak
Ideal
1.3 Sedikit Sangat Defisit Pangan
5
74 Rokan Hulu Kabun Hampir 70.8 17.61 Sangat Bersih 33.34 Sangat 16.8 Sangat Sangat Defisit 3
B-6
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Layak Tidak
Ideal
Sedikit Pangan
75 Rokan Hulu Ujung Batu Sangat Layak 61 5.63 Sangat Bersih 2.47 Sangat Tidak
Ideal
1.6 Sangat Sedikit
Sangat Defisit Pangan
6
76 Rokan Hulu Rambah Samo Cukup Layak 70.8 29.95 Sangat Bersih 14.37 Sangat
Tidak Ideal
54 Banyak Sangat Defisit
Pangan
1
77 Rokan Hulu Rambah Tidak Layak 69.1 27.8 Cukup Bersih 3.5 Sangat
Tidak Ideal
8.29 Sangat
Banyak
Sangat Defisit
Pangan
2
78 Rokan Hulu Rambah Hilir Hampir
Layak
70.8 8.9 Sangat Bersih 3.34 Sangat
Tidak
Ideal
17.5 Cukup
Banyak
Sangat Defisit
Pangan
3
79 Rokan Hulu Bangun Purba Cukup Layak 71 16.43 Sangat Bersih 33.34 Sangat
Tidak
Ideal
52.46 Banyak Sangat Defisit
Pangan
1
80 Rokan Hulu Tambusai Hampir Layak
70.8 7.61 Sangat Bersih 3.34 Sangat Tidak
Ideal
8.33 Sangat Sedikit
Sangat Defisit Pangan
5
81 Rokan Hulu Tambusai Utara Layak 88 9 Sangat Bersih 7 Sangat Tidak
Ideal
2.6 Hampir Banyak
Sangat Defisit Pangan
3
82 Rokan Hulu Kepenuhan Tidak Layak 70.5 25.5 Bersih 7.8 Sangat Tidak
Ideal
49.8 Cukup Banyak
Sangat Defisit Pangan
1
83 Rokan Hulu Kepenuhan Hulu Cukup Layak 67.8 8.5 Sangat Bersih 23.3 Sangat
Tidak Ideal
25 Cukup
Banyak
Sangat Defisit
Pangan
3
84 Rokan Hulu Kunto Darussalam Cukup Layak 69 8.99 Tidak Bersih 19.7 Sangat
Tidak Ideal
25 Cukup
Banyak
Sangat Defisit
Pangan
2
85 Rokan Hulu Pagaran Tapah
Darussalam
Tidak Layak 65.8 25.63 Cukup Bersih 7.1 Sangat
Tidak
Ideal
50.2 Sangat
Banyak
Sangat Defisit
Pangan
2
86 Rokan Hulu Bonai Darussalam Hampir
Layak
67.5 9.3 Sangat Bersih 7.3 Sangat
Tidak
Ideal
17.32 Sangat
Sedikit
Sangat Defisit
Pangan
4
87 Bengkalis Mandau Sangat Layak 60 2.87 Sangat Bersih 3.1 Cukup Ideal
3.99 Sangat Sedikit
Sangat Defisit Pangan
6
88 Bengkalis Pinggir Tidak Layak 74.3 5.7 Sangat Bersih 13.09 Tidak 47.37 Sedikit Sangat Defisit 3
B-7
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Ideal Pangan
89 Bengkalis Bukit Batu Sangat Layak 58.7 2.96 Sangat Bersih 3.4 Cukup
Ideal
2.4 Sangat
Sedikit
Cukup Defisit
Pangan
6
90 Bengkalis Siak Kecil Hampir Layak
72 23.46 Sangat Bersih 15.8 Tidak Ideal
38.88 Cukup Banyak
Sangat Defisit Pangan
3
91 Bengkalis Rupat Sangat Layak 74.3 5.7 Sangat Bersih 4.7 Tidak
Ideal
12.5 Sangat
Sedikit
Sangat Defisit
Pangan
5
92 Bengkalis Rupat Utara Sangat Layak 74.3 4.6 Sangat Bersih 4.7 Tidak Ideal
12.5 Sangat Sedikit
Sangat Defisit Pangan
5
93 Bengkalis Bengkalis Sangat Layak 70 3.01 Sangat Bersih 2.29 Cukup
Ideal
6.5 Sangat
Sedikit
Sangat Defisit
Pangan
6
94 Bengkalis Bantan Tidak Layak 74.3 4.8 Bersih 19.09 Sangat Tidak
Ideal
19.6 Sangat Sedikit
Sangat Defisit Pangan
3
95 Rokan Hilir Tanah Putih Sangat Tidak Layak
67.3 9.7 Sangat Bersih 4.04 Cukup Ideal
5.88 Sangat Banyak
Sangat Defisit Pangan
2
96 Rokan Hilir Pujud Hampir
Layak
68.4 10.5 Sangat Bersih 9.5 Tidak
Ideal
20.4 Sedikit Sangat Defisit
Pangan
4
97 Rokan Hilir Tanah Putih Tanjung
Sangat Layak 69 5 Sangat Bersih 3.7 Tidak Ideal
17.54 Sedikit Sangat Defisit Pangan
4
98 Rokan Hilir Rantau Kopar Hampir
Layak
70.6 6.9 Sangat Bersih 5.7 Tidak
Ideal
19.6 Sangat
Banyak
Sangat Defisit
Pangan
3
99 Rokan Hilir Bagan Sinembah Hampir Layak
45.9 5 Sangat Bersih 27 Cukup Ideal
29 Sedikit Sangat Defisit Pangan
3
100 Rokan Hilir Simpang Kanan Tidak Layak 72.1 13.2 Bersih 38.9 Sangat
Tidak Ideal
35 Sangat
Banyak
Sangat Defisit
Pangan
1
101 Rokan Hilir Kubu Sangat Layak 30 9.6 Sangat Bersih 6.8 Sangat
Tidak
Ideal
25 Sedikit Sangat Defisit
Pangan
4
102 Rokan Hilir Pasir Limau
Kapas
Sangat Layak 75.7 5.6 Sangat Bersih 5.3 Tidak
Ideal
12.5 Sangat
Sedikit
Sangat Defisit
Pangan
5
103 Rokan Hilir Bangko Tidak Layak 48.2 6.7 Sangat Bersih 26.43 Tidak
Ideal
28.54 Sedikit Sangat Defisit
Pangan
3
104 Rokan Hilir Sinaboi Sangat Layak 71.8 6.8 Sangat Bersih 5.12 Cukup
Ideal
2.9 Sangat
Sedikit
Hampir Defisit
Pangan
6
105 Rokan Hilir Batu Hampar Sangat Layak 35 8.7 Sangat Bersih 6.8 Sangat
Tidak Ideal
25 Sedikit Sangat Defisit
Pangan
4
106 Rokan Hilir Pekaitan Hampir 70.9 5.95 Bersih 6.7 Tidak 31.56 Sedikit Sangat Defisit 3
B-8
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Layak Ideal Pangan
107 Rokan Hilir Rimba Melintang Cukup Layak 69.3 9.5 Sangat Bersih 3.98 Tidak
Ideal
43.3 Sangat
Sedikit
Hampir Defisit
Pangan
4
108 Rokan Hilir Bangko Pusako Layak 75.1 5.8 Sangat Bersih 28.65 Cukup Ideal
30.46 Hampir Banyak
Sangat Defisit Pangan
3
109 Kepulauan Meranti Tebing Tinggi
Barat
Sangat Tidak
Layak
70.8 18.5 Hampir Bersih 6.82 Tidak
Ideal
76.1 Hampir
Banyak
Sangat Defisit
Pangan
2
110 Kepulauan Meranti Tebing Tinggi Layak 67.4 9.33 Bersih 5.59 Ideal 3.08 Sangat Sedikit
Cukup Defisit Pangan
5
111 Kepulauan Meranti Tebing Tinggi
Timur
Sangat Tidak
Layak
70 17.6 Bersih 8.1 Sangat
Tidak Ideal
87.1 Hampir
Banyak
Sangat Defisit
Pangan
1
112 Kepulauan Meranti Rangsang Sangat Tidak
Layak
70.5 17.8 Bersih 8.4 Sangat
Tidak
Ideal
16.2 Hampir
Banyak
Sangat Defisit
Pangan
1
113 Kepulauan Meranti Rangsang Barat Tidak Layak 69 14.2 Bersih 10.33 Tidak
Ideal
65.1 Banyak Sangat Defisit
Pangan
1
114 Kepulauan Meranti Merbau Tidak Layak 68.5 15.6 Bersih 5.81 Tidak
Ideal
8.22 Sangat
Sedikit
Sangat Defisit
Pangan
4
115 Kepulauan Meranti Pulau Merbau Sangat Tidak
Layak
72.6 18.4 Bersih 9.1 Sangat
Tidak
Ideal
50.2 Sangat
Sedikit
Sangat Defisit
Pangan
2
116 Kuantan Singingi Kuantan Mudik Layak 68.5 1.27 Sangat Bersih 3.66 Tidak Ideal
4.17 Sangat Sedikit
Cukup Defisit Pangan
5
117 Kuantan Singingi Hulu Kuantan Layak 68.5 1.24 Sangat Bersih 3.57 Tidak
Ideal
2.4 Sangat
Sedikit
Surplus Pangan 6
118 Kuantan Singingi Gunung Toar Layak 69.1 1.22 Sangat Bersih 3.52 Tidak
Ideal
1.3 Sangat
Sedikit
Sangat Surplus
Pangan
6
119 Kuantan Singingi Singingi Layak 68.1 1.2 Sangat Bersih 3.47 Tidak
Ideal
1.4 Sangat
Sedikit
Sangat Defisit
Pangan
6
120 Kuantan Singingi Singingi Hilir Layak 69 1.25 Sangat Bersih 3.6 Tidak
Ideal
2.1 Sangat
Sedikit
Sangat Defisit
Pangan
5
121 Kuantan Singingi Kuantan Tengah Sangat Layak 67.1 1.13 Sangat Bersih 3.27 Tidak
Ideal
4.6 Sangat
Sedikit
Cukup Defisit
Pangan
6
122 Kuantan Singingi Benai Layak 68.2 1.31 Sangat Bersih 3.79 Tidak
Ideal
37.5 Sangat
Sedikit
Sangat Defisit
Pangan
4
123 Kuantan Singingi Kuantan Hilir Layak 72.2 1.53 Sangat Bersih 4.42 Sangat
Tidak Ideal
19 Sangat
Sedikit
Defisit Pangan 5
124 Kuantan Singingi Pangean Layak 68.9 1.33 Bersih 3.83 Tidak 31.3 Hampir Sangat Defisit 3
B-9
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Ideal Banyak Pangan
125 Kuantan Singingi Logas Tanah
Darat
Layak 68.3 1.23 Sangat Bersih 3.56 Tidak
Ideal
13.33 Cukup
Banyak
Sangat Defisit
Pangan
4
126 Kuantan Singingi Cerenti Layak 68.34 1.53 Sangat Bersih 4.42 Tidak Ideal
3.23 Sangat Sedikit
Hampir Defisit Pangan
6
127 Kuantan Singingi Inuman Layak 72.2 1.53 Tidak Bersih 4.42 Sangat
Tidak Ideal
33.23 Hampir
Banyak
Sangat Defisit
Pangan
2
128 Indragiri Hulu Peranap Sangat Layak 65.34 7.06 Sangat Bersih 4.23 Tidak
Ideal
2.12 Sangat
Sedikit
Sangat Defisit
Pangan
6
129 Indragiri Hulu Batang Peranap Sangat Layak 68.1 5.39 Sangat Bersih 3.23 Tidak Ideal
60 Sangat Sedikit
Defisit Pangan 4
130 Indragiri Hulu Seberida Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak
Ideal
1.2 Sangat
Sedikit
Sangat Defisit
Pangan
2
131 Indragiri Hulu Batang Cenaku Sangat Layak 69 5.71 Sangat Bersih 3.42 Tidak Ideal
55 Sangat Sedikit
Sangat Defisit Pangan
4
132 Indragiri Hulu Batang Gansal Sangat Layak 69.21 7.06 Sangat Bersih 4.23 Tidak
Ideal
5.6 Sangat
Sedikit
Sangat Defisit
Pangan
5
133 Indragiri Hulu Kelayang Sangat Layak 72.6 7.06 Sangat Bersih 4.23 Sangat Tidak
Ideal
5.88 Sangat Sedikit
Sangat Defisit Pangan
5
134 Indragiri Hulu Rakit Kulim Sangat Layak 72.6 7.06 Sangat Bersih 4.23 Sangat
Tidak Ideal
31.04 Cukup
Banyak
Sangat Defisit
Pangan
3
135 Indragiri Hulu Pasir Penyu Sangat Layak 69.8 5.65 Sangat Bersih 3.38 Tidak
Ideal
2.1 Sangat
Sedikit
Sangat Defisit
Pangan
5
136 Indragiri Hulu Lirik Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak
Ideal
1.2 Sangat
Sedikit
Sangat Defisit
Pangan
5
137 Indragiri Hulu Sungai Lala Sangat Layak 70 6.39 Sangat Bersih 3.82 Sangat
Tidak Ideal
3.7 Sedikit Sangat Defisit
Pangan
4
138 Indragiri Hulu Lubuk Batu Jaya Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak
Ideal
0.23 Sangat
Sedikit
Sangat Defisit
Pangan
6
139 Indragiri Hulu Rengat Barat Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak Ideal
2.4 Sangat Sedikit
Sangat Defisit Pangan
5
140 Indragiri Hulu Rengat Sangat Layak 67.5 5.22 Sangat Bersih 3.12 Tidak
Ideal
2.4 Sangat
Sedikit
Sangat Defisit
Pangan
6
141 Indragiri Hulu Kuala Cenaku Sangat Layak 72.6 7.06 Sangat Bersih 4.23 Sangat Tidak
Ideal
36.43 Cukup Banyak
Sangat Defisit Pangan
3
B-1
0
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
142 Indragiri Hilir Keritang Hampir
Layak
75.7 22.33 Sangat Tidak
Bersih
3.93 Sangat
Tidak
Ideal
35.43 Cukup
Banyak
Sangat Defisit
Pangan
1
143 Indragiri Hilir Kemuning Sangat Layak 70.3 16.5 Bersih 2.9 Tidak
Ideal
50 Sangat
Sedikit
Sangat Defisit
Pangan
4
144 Indragiri Hilir Reteh Sangat Layak 72.6 18.67 Bersih 3.28 Tidak
Ideal
31.98 Hampir
Banyak
Sangat Defisit
Pangan
2
145 Indragiri Hilir Sungai Batang Sangat Layak 73.3 19.77 Bersih 3.48 Sangat
Tidak
Ideal
31.45 Hampir
Banyak
Sangat Defisit
Pangan
2
146 Indragiri Hilir Enok Sangat Layak 72.2 18.13 Bersih 3.19 Tidak Ideal
25.43 Sangat Sedikit
Sangat Defisit Pangan
3
147 Indragiri Hilir Tanah Merah Sangat Layak 72.2 17.32 Bersih 3.05 Tidak
Ideal
36 Cukup
Banyak
Sangat Defisit
Pangan
2
148 Indragiri Hilir Kuala Indragiri Sangat Layak 73.6 21.02 Bersih 3.7 Sangat Tidak
Ideal
23.46 Cukup Banyak
Sangat Defisit Pangan
2
149 Indragiri Hilir Concong Sangat Layak 75.7 22.33 Bersih 4.78 Sangat Tidak
Ideal
39.54 Cukup Banyak
Sangat Defisit Pangan
1
150 Indragiri Hilir Tembilahan Sangat Layak 70.3 16.5 Bersih 2.9 Tidak
Ideal
12.5 Sedikit Sangat Defisit
Pangan
5
151 Indragiri Hilir Tembilahan Hulu Sangat Layak 70.3 10.36 Sangat Bersih 2.9 Tidak
Ideal
1.43 Sangat
Sedikit
Cukup Defisit
Pangan
6
152 Indragiri Hilir Tempuling Sangat Layak 75.7 22.33 Bersih 3.93 Sangat Tidak
Ideal
11.11 Sangat Sedikit
Sangat Defisit Pangan
4
153 Indragiri Hilir Kempas Sangat Layak 72.4 20.03 Bersih 3.52 Sangat
Tidak Ideal
39.84 Banyak Sangat Defisit
Pangan
1
154 Indragiri Hilir Batang Tuaka Sangat Layak 75.7 22.33 Bersih 3.93 Sangat
Tidak Ideal
7.69 Sangat
Sedikit
Sangat Surplus
Pangan
5
155 Indragiri Hilir Gaung Anak
Serka
Sangat Layak 70.3 21.89 Cukup Bersih 2.9 Sangat
Tidak
Ideal
43.98 Banyak Sangat Defisit
Pangan
1
156 Indragiri Hilir Gaung Sangat Layak 75.7 22.33 Bersih 3.93 Sangat
Tidak
Ideal
13.21 Sangat
Sedikit
Cukup Defisit
Pangan
4
157 Indragiri Hilir Mandah Sangat Layak 75.7 22.33 Bersih 3.93 Sangat 25.43 Sedikit Sangat Defisit 2
B-1
1
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Tidak
Ideal
Pangan
158 Indragiri Hilir Kateman Sangat Layak 70.3 16.5 Bersih 2.9 Tidak Ideal
16.43 Sedikit Sangat Defisit Pangan
3
159 Indragiri Hilir Pelangiran Layak 71.9 20.55 Hampir Bersih 3.61 Sangat
Tidak
Ideal
45.98 Banyak Sangat Defisit
Pangan
1
160 Indragiri Hilir Teluk Belongkong Sangat Layak 70.3 16.5 Bersih 2.9 Tidak
Ideal
28.65 Sedikit Sangat Defisit
Pangan
3
161 Indragiri Hilir Pulau Burung Sangat Layak 75.7 22.33 Bersih 3.93 Sangat
Tidak Ideal
3.32 Sedikit Sangat Defisit
Pangan
4
162 Pelalawan Langgam Layak 68.6 10.17 Sangat Bersih 6.19 Tidak
Ideal
2.21 Sangat
Sedikit
Sangat Defisit
Pangan
5
163 Pelalawan Pangkalan Kerinci Sangat Layak 67.6 8.81 Sangat Bersih 3.32 Cukup Ideal
1.02 Sangat Sedikit
Sangat Defisit Pangan
6
164 Pelalawan Bandar Seikijang Sangat Layak 69.2 9.87 Sangat Bersih 6.01 Cukup
Ideal
1.38 Sangat
Sedikit
Sangat Defisit
Pangan
6
165 Pelalawan Pangkalan Kuras Layak 67.6 8.81 Sangat Bersih 5.36 Tidak Ideal
3.1 Sangat Sedikit
Sangat Defisit Pangan
5
166 Pelalawan Ukui Layak 69.5 23.44 Hampir Bersih 5.9 Sangat
Tidak Ideal
46.53 Cukup
Banyak
Sangat Defisit
Pangan
1
167 Pelalawan Pangkalan Lesung Layak 69.8 9.29 Bersih 5.66 Sangat
Tidak Ideal
44.32 Banyak Sangat Defisit
Pangan
1
168 Pelalawan Bunut Layak 70 9.98 Sangat Bersih 6.08 Sangat
Tidak
Ideal
38.65 Cukup
Banyak
Sangat Defisit
Pangan
2
169 Pelalawan Pelalawan Layak 72.8 11.92 Sangat Bersih 7.25 Sangat
Tidak
Ideal
1.43 Sangat
Sedikit
Sangat Surplus
Pangan
5
170 Pelalawan Bandar Petalangan Layak 68.7 9.35 Sangat Bersih 5.7 Sangat Tidak
Ideal
9.09 Hampir Banyak
Sangat Defisit Pangan
4
171 Pelalawan Kuala Kampar Layak 71.1 11.64 Sangat Bersih 7.09 Sangat Tidak
Ideal
48.53 Banyak Sangat Defisit Pangan
1
172 Pelalawan Kerumutan Hampir
Layak
69.3 22.75 Sangat Bersih 6.32 Sangat
Tidak
46.43 Banyak Sangat Defisit
Pangan
1
B-1
2
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Ideal
173 Pelalawan Teluk Meranti Layak 72.8 11.92 Sangat Bersih 7.25 Sangat
Tidak Ideal
37.64 Cukup
Banyak
Sangat Defisit
Pangan
2
174 Siak Minas Sangat Layak 72.4 2.49 Sangat Bersih 3.69 Cukup
Ideal
2.4 Sangat
Sedikit
Sangat Defisit
Pangan
5
175 Siak Sungai Mandau Sangat Layak 70.5 1.99 Sangat Bersih 2.95 Cukup Ideal
26.43 Hampir Banyak
Sangat Defisit Pangan
4
176 Siak Kandis Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup
Ideal
20.32 Sedikit Sangat Defisit
Pangan
4
177 Siak Siak Sangat Layak 70.5 1.99 Sangat Bersih 2.95 Cukup Ideal
2.3 Sedikit Sangat Defisit Pangan
5
178 Siak Kerinci Kanan Sangat Layak 70.5 1.99 Sangat Bersih 2.95 Cukup
Ideal
3.3 Sangat
Sedikit
Sangat Defisit
Pangan
6
179 Siak Tualang Sangat Layak 74.5 2.65 Sangat Bersih 3.92 Tidak Ideal
38.54 Hampir Banyak
Sangat Defisit Pangan
3
180 Siak Dayun Sangat Layak 70.5 22.89 Cukup Bersih 5.54 Sangat
Tidak
Ideal
49.75 Banyak Sangat Defisit
Pangan
1
181 Siak Lubuk Dalam Sangat Layak 70.5 1.99 Sangat Bersih 2.95 Cukup
Ideal
1.02 Sangat
Sedikit
Sangat Defisit
Pangan
6
182 Siak Koto Gasib Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup
Ideal
9.09 Sangat
Sedikit
Sangat Defisit
Pangan
5
183 Siak Mampura Sangat Layak 73.4 2.53 Sangat Bersih 3.74 Tidak
Ideal
40.32 Cukup
Banyak
Sangat Defisit
Pangan
3
184 Siak Sungai Apit Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup Ideal
46.67 Sedikit Sangat Defisit Pangan
4
185 Siak Bunga Raya Sangat Layak 72.7 2.2 Sangat Bersih 3.26 Cukup
Ideal
6.9 Sangat
Sedikit
Sangat Surplus
Pangan
6
186 Siak Sabak Auh Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup Ideal
25.3 Hampir Banyak
Sangat Surplus Pangan
5
187 Siak Pusako Sangat Layak 75.8 2.7 Sangat Bersih 3.99 Cukup
Ideal
25.32 Sangat
Sedikit
Sangat Defisit
Pangan
4
188 Kampar Kampar Kiri Sangat Layak 69.2 2.81 Sangat Bersih 3.32 Tidak Ideal
25 Sedikit Sangat Defisit Pangan
3
189 Kampar Kampar Kiri Hulu Layak 72.5 3.04 Sangat Bersih 3.6 Tidak
Ideal
25 Sedikit Sangat Defisit
Pangan
3
190 Kampar Kampar Kiri Hilir Sangat Layak 67.4 2.25 Sangat Bersih 2.66 Cukup Ideal
12.5 Cukup Banyak
Sangat Defisit Pangan
4
191 Kampar Gunung Sahilan Layak 78.1 2.98 Sangat Bersih 3.53 Tidak 25.56 Sangat Sangat Defisit 5
B-1
3
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Ideal Sedikit Pangan
192 Kampar Kampar Kiri
Tengah
Sangat Layak 67.4 24.57 Sangat Bersih 2.66 Tidak
Ideal
23.56 Hampir
Banyak
Sangat Defisit
Pangan
3
193 Kampar XIII Koto Kampar Cukup Layak 72.5 30.04 Sangat Bersih 13.6 Sangat Tidak
Ideal
77.69 Sangat Banyak
Sangat Defisit Pangan
1
194 Kampar Koto Kampar Hulu
Sangat Layak 87.1 2.25 Sangat Bersih 2.66 Ideal 20 Sangat Sedikit
Sangat Defisit Pangan
6
195 Kampar Kuok Sangat Layak 69.2 2.42 Sangat Bersih 2.86 Cukup
Ideal
3.3 Sangat
Sedikit
Cukup Defisit
Pangan
6
196 Kampar Salo Sangat Layak 67.4 2.25 Sangat Bersih 2.66 Cukup Ideal
11.3 Sangat Sedikit
Defisit Pangan 6
197 Kampar Tapung Sangat Layak 69.1 2.36 Sangat Bersih 2.79 Cukup
Ideal
4 Sangat
Sedikit
Sangat Defisit
Pangan
6
198 Kampar Tapung Hulu Sangat Layak 69.9 2.84 Sangat Bersih 3.36 Tidak Ideal
1.27 Sangat Sedikit
Sangat Defisit Pangan
6
199 Kampar Tapung Hilir Sangat Layak 69.3 2.82 Sangat Bersih 3.33 Tidak
Ideal
5 Sangat
Sedikit
Sangat Defisit
Pangan
6
200 Kampar Bangkinang Kota Sangat Layak 65.2 2.25 Sangat Bersih 2.66 Ideal 26 Sangat Sedikit
Sangat Defisit Pangan
6
201 Kampar Bangkinang Sangat Layak 69 2.72 Sangat Bersih 3.21 Tidak
Ideal
2.8 Sangat
Sedikit
Cukup Defisit
Pangan
6
202 Kampar Kampar Sangat Layak 67.4 2.25 Sangat Bersih 2.66 Cukup Ideal
9 Sangat Sedikit
Sangat Defisit Pangan
6
203 Kampar Kampar Timur Sangat Layak 70.4 2.77 Sangat Bersih 3.28 Sangat
Tidak Ideal
24.3 Hampir
Banyak
Sangat Defisit
Pangan
3
204 Kampar Rumbio Jaya Sangat Layak 68.1 2.32 Sangat Bersih 2.75 Cukup
Ideal
24.32 Sedikit Sangat Defisit
Pangan
4
205 Kampar Kampar Utara Layak 67.8 3.04 Sangat Bersih 3.6 Ideal 12.5 Sangat Sedikit
Sangat Defisit Pangan
5
206 Kampar Tambang Sangat Layak 60.4 2.95 Sangat Bersih 3.49 Tidak
Ideal
11.76 Sangat
Sedikit
Sangat Defisit
Pangan
6
207 Kampar Siak Hulu Sangat Layak 67.4 2.25 Sangat Bersih 2.66 Cukup Ideal
0.6 Sangat Sedikit
Sangat Defisit Pangan
6
208 Kampar Perhentian Raja Layak 70.7 2.97 Sangat Bersih 3.51 Tidak
Ideal
0.3 Sangat
Sedikit
Sangat Defisit
Pangan
6
209 Rokan Hulu Rokan IV Koto Layak 66.6 6.49 Sangat Bersih 2.85 Sangat Tidak
Ideal
7.14 Sangat Sedikit
Defisit Pangan 5
B-1
4
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
210 Rokan Hulu Pendalian IV Koto Sangat Layak 65.8 5.63 Sangat Bersih 2.47 Sangat
Tidak
Ideal
40.3 Sedikit Sangat Defisit
Pangan
4
211 Rokan Hulu Tandun Sangat Layak 65.8 5.63 Sangat Bersih 2.47 Sangat
Tidak
Ideal
1.3 Sedikit Sangat Defisit
Pangan
5
212 Rokan Hulu Kabun Layak 70.8 17.61 Sangat Bersih 33.34 Sangat Tidak
Ideal
16.67 Sangat Sedikit
Sangat Defisit Pangan
3
213 Rokan Hulu Ujung Batu Sangat Layak 60 5.63 Sangat Bersih 2.47 Sangat Tidak
Ideal
0.19 Sangat Sedikit
Sangat Defisit Pangan
6
214 Rokan Hulu Rambah Samo Cukup Layak 70.8 29.95 Sangat Bersih 14.37 Sangat
Tidak Ideal
53.56 Banyak Sangat Defisit
Pangan
1
215 Rokan Hulu Rambah Tidak Layak 66.3 25.67 Cukup Bersih 2.49 Sangat
Tidak Ideal
7.14 Sangat
Banyak
Sangat Defisit
Pangan
2
216 Rokan Hulu Rambah Hilir Layak 70.8 7.61 Sangat Bersih 3.34 Sangat
Tidak
Ideal
15.38 Cukup
Banyak
Sangat Defisit
Pangan
3
217 Rokan Hulu Bangun Purba Layak 70.8 16.43 Sangat Bersih 33.34 Sangat
Tidak
Ideal
52.46 Banyak Sangat Defisit
Pangan
1
218 Rokan Hulu Tambusai Layak 70.8 7.61 Sangat Bersih 3.34 Sangat
Tidak
Ideal
8.33 Sangat
Sedikit
Sangat Defisit
Pangan
5
219 Rokan Hulu Tambusai Utara Layak 88 7.32 Sangat Bersih 3.21 Sangat Tidak
Ideal
2.6 Hampir Banyak
Sangat Defisit Pangan
3
220 Rokan Hulu Kepenuhan Cukup Layak 66.8 15.89 Sangat Bersih 5.05 Sangat Tidak
Ideal
46.42 Cukup Banyak
Sangat Defisit Pangan
1
221 Rokan Hulu Kepenuhan Hulu Layak 67.8 7.29 Sangat Bersih 23.3 Sangat
Tidak
Ideal
20 Hampir
Banyak
Sangat Defisit
Pangan
3
222 Rokan Hulu Kunto Darussalam Layak 67.4 7.02 Tidak Bersih 3.08 Sangat
Tidak Ideal
23.08 Cukup
Banyak
Sangat Defisit
Pangan
2
223 Rokan Hulu Pagaran Tapah
Darussalam
Hampir
Layak
65.8 25.63 Sangat Bersih 2.47 Sangat
Tidak
50.2 Sangat
Banyak
Sangat Defisit
Pangan
2
B-1
5
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
Ideal
224 Rokan Hulu Bonai Darussalam Layak 67.5 6.18 Sangat Bersih 2.71 Sangat
Tidak Ideal
17.32 Sangat
Sedikit
Sangat Defisit
Pangan
4
225 Bengkalis Mandau Sangat Layak 59 2.87 Sangat Bersih 2.29 Cukup
Ideal
4.17 Sangat
Sedikit
Sangat Defisit
Pangan
6
226 Bengkalis Pinggir Tidak Layak 74.3 3.88 Sangat Bersih 13.09 Tidak Ideal
47.37 Sedikit Sangat Defisit Pangan
3
227 Bengkalis Bukit Batu Sangat Layak 69.8 2.96 Sangat Bersih 2.36 Cukup
Ideal
2.4 Sangat
Sedikit
Cukup Defisit
Pangan
6
228 Bengkalis Siak Kecil Hampir Layak
72 23.46 Sangat Bersih 9.9 Tidak Ideal
38.88 Sedikit Sangat Defisit Pangan
3
229 Bengkalis Rupat Sangat Layak 70.7 3 Sangat Bersih 2.39 Cukup
Ideal
8.65 Sangat
Sedikit
Sangat Defisit
Pangan
5
230 Bengkalis Rupat Utara Sangat Layak 74.3 3.88 Sangat Bersih 3.09 Tidak Ideal
12.5 Sangat Sedikit
Sangat Defisit Pangan
5
231 Bengkalis Bengkalis Sangat Layak 70 2.87 Sangat Bersih 2.29 Cukup
Ideal
6.45 Sangat
Sedikit
Sangat Defisit
Pangan
6
232 Bengkalis Bantan Tidak Layak 74.3 3.88 Bersih 19.09 Sangat Tidak
Ideal
11.7 Sangat Sedikit
Sangat Defisit Pangan
3
233 Rokan Hilir Tanah Putih Sangat Layak 65.9 4.4 Sangat Bersih 3.04 Cukup
Ideal
5.88 Sangat
Banyak
Sangat Defisit
Pangan
2
234 Rokan Hilir Pujud Sangat Layak 68.6 5.02 Sangat Bersih 3.47 Tidak
Ideal
18.75 Sedikit Sangat Defisit
Pangan
4
235 Rokan Hilir Tanah Putih Tanjung
Sangat Layak 67.7 4.62 Sangat Bersih 3.2 Tidak Ideal
17.54 Sedikit Sangat Defisit Pangan
4
236 Rokan Hilir Rantau Kopar Sangat Layak 68 4.75 Sangat Bersih 3.29 Tidak
Ideal
12.7 Sangat
Banyak
Sangat Defisit
Pangan
3
237 Rokan Hilir Bagan Sinembah Sangat Layak 45.9 4.4 Sangat Bersih 26.43 Cukup Ideal
28.65 Sedikit Sangat Defisit Pangan
3
238 Rokan Hilir Simpang Kanan Hampir
Layak
68.2 5.24 Bersih 36.74 Sangat
Tidak
Ideal
34.23 Sangat
Banyak
Sangat Defisit
Pangan
1
239 Rokan Hilir Kubu Sangat Layak 27.9 5.7 Sangat Bersih 3.94 Tidak
Ideal
24.32 Sedikit Sangat Defisit
Pangan
4
240 Rokan Hilir Pasir Limau
Kapas
Sangat Layak 45.2 5.75 Sangat Bersih 3.98 Tidak
Ideal
3 Sangat
Sedikit
Sangat Defisit
Pangan
5
241 Rokan Hilir Bangko Sangat Layak 48.2 4.76 Sangat Bersih 26.43 Tidak
Ideal
28.54 Sedikit Sangat Defisit
Pangan
3
B-1
6
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
242 Rokan Hilir Sinaboi Sangat Layak 70.9 5.95 Sangat Bersih 4.12 Ideal 2.9 Sangat
Sedikit
Sangat Surplus
Pangan
6
243 Rokan Hilir Batu Hampar Sangat Layak 50.79 5.95 Sangat Bersih 4.12 Tidak Ideal
21.2 Sangat Sedikit
Sangat Defisit Pangan
4
244 Rokan Hilir Pekaitan Sangat Layak 70.9 5.95 Bersih 4.12 Tidak
Ideal
31.56 Sedikit Sangat Defisit
Pangan
3
245 Rokan Hilir Rimba Melintang Sangat Layak 68.2 7.76 Sangat Bersih 3.29 Tidak Ideal
41.9 Sangat Sedikit
Sangat Surplus Pangan
4
246 Rokan Hilir Bangko Pusako Sangat Layak 75.1 4.4 Sangat Bersih 28.65 Cukup
Ideal
30.46 Hampir
Banyak
Sangat Defisit
Pangan
3
247 Kepulauan Meranti Tebing Tinggi Barat
Sangat Tidak Layak
69.7 16 Hampir Bersih 6.82 Tidak Ideal
76.1 Hampir Banyak
Sangat Defisit Pangan
2
248 Kepulauan Meranti Tebing Tinggi Tidak Layak 67.4 8.12 Bersih 5.59 Ideal 2.1 Sangat
Sedikit
Sangat Defisit
Pangan
5
249 Kepulauan Meranti Tebing Tinggi Timur
Sangat Tidak Layak
72 17.6 Bersih 7.5 Sangat Tidak
Ideal
87.1 Hampir Banyak
Sangat Defisit Pangan
1
250 Kepulauan Meranti Rangsang Sangat Tidak
Layak
70.5 16.18 Bersih 6.9 Tidak
Ideal
14.29 Hampir
Banyak
Sangat Defisit
Pangan
1
251 Kepulauan Meranti Rangsang Barat Tidak Layak 67.4 13.12 Bersih 10.33 Tidak
Ideal
65.1 Banyak Sangat Defisit
Pangan
1
252 Kepulauan Meranti Merbau Tidak Layak 68.5 13.63 Bersih 5.81 Tidak
Ideal
4.1 Sangat
Sedikit
Sangat Defisit
Pangan
4
253 Kepulauan Meranti Pulau Merbau Sangat Tidak
Layak
72.6 17.75 Bersih 7.56 Sangat
Tidak
Ideal
50.2 Sangat
Sedikit
Sangat Defisit
Pangan
3
Berikut pembagian data untuk data uji pada fold 4 dapat dilihat di Tabel B.2.
Tabel B.2 Data Uji
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
1 Siak Bunga Raya Sangat Layak 72.7 2.5 Sangat Bersih 3.3 Cukup Ideal
7.4 Sangat Sedikit
Sangat Surplus Pangan
6
2 Siak Sabak Auh Sangat Layak 76 3 Sangat Bersih 3.99 Cukup
Ideal
25.3 Hampir
Banyak
Sangat Surplus
Pangan
5
B-1
7
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
3 Siak Pusako Sangat Layak 75.8 3 Sangat Bersih 4.04 Cukup
Ideal
25.32 Sangat
Sedikit
Sangat Defisit
Pangan
4
4 Kampar Kampar Kiri Cukup Layak 70 7.6 Sangat Bersih 4.77 Tidak Ideal
26.3 Sedikit Sangat Defisit Pangan
3
5 Kampar Kampar Kiri Hulu Hampir
Layak
74 5 Sangat Bersih 8.88 Tidak
Ideal
28 Hampir
Banyak
Sangat Defisit
Pangan
3
6 Kampar Kampar Kiri Hilir Sangat Layak 69.1 2.5 Sangat Bersih 4.1 Cukup Ideal
15.5 Cukup Banyak
Sangat Defisit Pangan
4
7 Kampar Gunung Sahilan Sangat Layak 78.1 3.5 Sangat Bersih 3.6 Tidak
Ideal
26.7 Sangat
Sedikit
Sangat Defisit
Pangan
5
8 Kampar Kampar Kiri Tengah
Hampir Layak
68 24.57 Sangat Bersih 3 Tidak Ideal
23.56 Hampir Banyak
Sangat Defisit Pangan
3
9 Kampar XIII Koto Kampar Tidak Layak 68.1 32.5 Sangat Bersih 14.6 Sangat
Tidak
Ideal
79.8 Sangat
Banyak
Sangat Defisit
Pangan
1
10 Kampar Koto Kampar
Hulu
Sangat Layak 85 2.5 Sangat Bersih 2.91 Ideal 21 Sangat
Sedikit
Sangat Defisit
Pangan
6
11 Kampar Kuok Sangat Layak 70 2.47 Sangat Bersih 3.05 Tidak
Ideal
3.5 Sangat
Sedikit
Cukup Defisit
Pangan
6
12 Kampar Salo Layak 61.1 2.3 Sangat Bersih 2.1 Cukup
Ideal
12 Sangat
Sedikit
Hampir Defisit
Pangan
6
13 Kampar Tapung Hampir
Layak
57.1 3.1 Sangat Bersih 2.88 Cukup
Ideal
4 Sangat
Sedikit
Cukup Defisit
Pangan
6
14 Kampar Tapung Hulu Sangat Layak 69.9 3.1 Sangat Bersih 4.1 Tidak
Ideal
1.99 Sangat
Sedikit
Sangat Defisit
Pangan
6
15 Kampar Tapung Hilir Layak 61.9 3.2 Sangat Bersih 3.5 Tidak Ideal
5 Sangat Sedikit
Sangat Defisit Pangan
6
16 Kampar Bangkinang Kota Sangat Layak 60.9 2.3 Sangat Bersih 2.5 Ideal 26 Sangat
Sedikit
Sangat Defisit
Pangan
6
17 Kampar Bangkinang Layak 69 2.8 Sangat Bersih 3.9 Tidak Ideal
3.03 Sangat Sedikit
Cukup Defisit Pangan
6
18 Kampar Kampar Hampir
Layak
60.1 3.2 Sangat Bersih 2.09 Cukup
Ideal
9 Sangat
Sedikit
Cukup Defisit
Pangan
6
19 Kampar Kampar Timur Layak 70.4 6.3 Sangat Bersih 5.5 Sangat Tidak
Ideal
27.7 Hampir Banyak
Sangat Defisit Pangan
3
20 Kampar Rumbio Jaya Sangat Layak 68 3.7 Sangat Bersih 2.9 Cukup
Ideal
24.32 Sedikit Sangat Defisit
Pangan
4
21 Kampar Kampar Utara Layak 70 4 Sangat Bersih 3.6 Cukup
Ideal
25 Sedikit Sangat Defisit
Pangan
4
B-1
8
Data Kabupaten Kecamatan Penduduk
Miskin
Angka
Harapan
Hidup
Listrik Air Buta
Huruf
Stunting Jalan FasKes NCPR Target
22 Kampar Tambang Sangat Layak 60.4 2.95 Sangat Bersih 3.49 Tidak
Ideal
11.76 Sangat
Sedikit
Sangat Defisit
Pangan
6
23 Kampar Siak Hulu Hampir Layak
67.4 2.3 Sangat Bersih 2.66 Cukup Ideal
0.8 Sangat Sedikit
Surplus Pangan 6
C-1
LAMPIRAN C
PENGUJIAN AKURASI CONFUSION MATRIX
DAN TINGKAT ERROR METODE RBF
Pengujian Confusion Matrix dengan menghitung tingkat akurasi untuk setiap
pembagian data dan pengujian nilai spread 2,3 4 adalah sebagai berikut:
1. Fold 1
Tabel C.1 Pengujian spread 2 pada fold 1
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 6 6 Benar
2 4 4 Benar
3 6 5 Salah
4 6 5 Salah
5 4 3 Salah
6 6 5 Salah
7 6 4 Salah
8 6 4 Salah
9 6 2 Salah
10 6 4 Salah
11 6 6 Benar
12 3 1 Salah
13 6 6 Benar
14 6 4 Salah
15 3 2 Salah
16 6 5 Salah
17 3 3 Benar
18 6 6 Benar
19 6 5 Salah
20 6 6 Benar
21 6 5 Salah
22 6 6 Benar
23 6 5 Salah
Tabel C.2 Pengujian confusion Matrix spread 2 pada fold 1
Kelas 1 2 3 4 5 6
1 0 0 1 0 0 0
2 0 0 1 0 0 1
3 0 0 1 1 0 0
4 0 0 0 1 0 4
5 0 0 0 0 0 7
6 0 0 0 0 0 6
C-2
Akurasi = 1+1+6
1+1+1+1+1+1+4+7+6 × 100% =
8
23 × 100% = 35%
Tabel C.3 Pengujian spread 3 fold 1
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 4 6 Salah
2 3 4 Salah
3 4 5 Salah
4 4 5 Salah
5 3 3 Benar
6 4 5 Salah
7 4 4 Benar
8 4 4 Benar
9 4 2 Salah
10 4 4 Benar
11 6 6 Benar
12 3 1 Salah
13 6 6 Benar
14 3 4 Salah
15 3 2 Salah
16 6 5 Salah
17 3 3 Benar
18 6 6 Benar
19 4 5 Salah
20 4 6 Salah
21 4 5 Salah
22 6 6 Benar
23 6 5 Salah
Tabel C.4 Pengujian confusion Matrix spread 3 pada fold 1
Kelas 1 2 3 4 5 6
1 0 0 1 0 0 0
2 0 0 1 1 0 0
3 0 0 2 0 0 0
4 0 0 2 3 0 0
5 0 0 0 5 0 2
6 0 0 0 2 0 4
Akurasi = 2+3+4
1+1+1+2+2+3+5+2+2+4 × 100% =
9
23 × 100% = 39%
Tabel C.5 Pengujian spread 4 fold 1
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 3 6 Salah
2 3 4 Salah
C-3
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
3 3 5 Salah
4 3 5 Salah
5 3 3 Benar
6 3 5 Salah
7 3 4 Salah
8 3 4 Salah
9 3 2 Salah
10 3 4 Salah
11 3 6 Salah
12 3 1 Salah
13 3 6 Salah
14 3 4 Salah
15 3 2 Salah
16 3 5 Salah
17 3 3 Benar
18 4 6 Salah
19 3 5 Salah
20 3 6 Salah
21 3 5 Salah
22 6 6 Benar
23 3 5 Salah
Tabel C.6 Pengujian confusion Matrix spread 4 pada fold 1
Kelas 1 2 3 4 5 6
1 0 0 1 0 0 0
2 0 0 2 0 0 0
3 0 0 2 0 0 0
4 0 0 5 0 0 0
5 0 0 7 0 0 0
6 0 0 4 1 0 1
Akurasi = 2+1
1+2+2+5+7+4+1+1 × 100% =
3
23 × 100% = 13%
2. Fold 2
Tabel C.7 Pengujian spread 2 fold 2
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 4 4 Benar
2 3 3 Benar
3 3 1 Salah
4 3 3 Benar
5 4 2 Salah
6 6 4 Salah
7 3 1 Salah
C-4
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
8 6 5 Salah
9 3 1 Salah
10 6 4 Salah
11 6 6 Benar
12 4 5 Salah
13 3 2 Salah
14 3 2 Salah
15 3 2 Salah
16 4 3 Salah
17 3 2 Salah
18 3 2 Salah
19 6 4 Salah
20 4 1 Salah
21 3 2 Salah
22 6 6 Benar
23 6 5 Salah
Tabel C. 8 Pengujian confusion Matrix spread 2 pada fold 2
Kelas 1 2 3 4 5 6
1 0 0 3 1 0 0
2 0 0 6 1 0 0
3 0 0 2 1 0 0
4 0 0 0 1 0 3
5 0 0 0 1 0 2
6 0 0 0 0 0 2
Akurasi = 2+1+2
3+1+6+1+2+1+1+3+1+2+2 × 100% =
5
23 × 100% = 22%
Tabel C.9 Pengujian spread 3 fold 2
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 3 4 Salah
2 3 3 Benar
3 3 1 Salah
4 3 3 Benar
5 3 2 Salah
6 4 4 Benar
7 3 1 Salah
8 6 5 Salah
9 3 1 Salah
10 4 4 Benar
11 6 6 Benar
12 3 5 Salah
13 3 2 Salah
14 3 2 Salah
C-5
15 3 2 Salah
16 3 3 Benar
17 3 2 Salah
18 3 2 Salah
19 4 4 Benar
20 3 1 Salah
21 3 2 Salah
22 4 6 Salah
23 4 5 Salah
Tabel C.10 Pengujian confusion Matrix spread 3 pada fold 2
Kelas 1 2 3 4 5 6
1 0 0 4 0 0 0
2 0 0 7 0 0 0
3 0 0 3 0 0 0
4 0 0 1 3 0 0
5 0 0 1 1 0 1
6 0 0 0 1 0 1
Akurasi = 3+3+1
4+7+3+1+3+1+1+1+1+1 × 100% =
7
23 × 100% = 30%
Tabel C.11 Pengujian spread 4 fold 2
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 3 4 Salah
2 3 3 Benar
3 3 1 Salah
4 3 3 Benar
5 3 2 Salah
6 3 4 Salah
7 3 1 Salah
8 6 5 Salah
9 3 1 Salah
10 3 4 Salah
11 3 6 Salah
12 3 5 Salah
13 3 2 Salah
14 3 2 Salah
15 3 2 Salah
16 3 3 Benar
17 3 2 Salah
18 3 2 Salah
19 3 4 Salah
20 3 1 Salah
21 3 2 Salah
22 3 6 Salah
C-6
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
23 3 5 Salah
Tabel C.12 Pengujian confusion Matrix spread 4 pada fold 2
Kelas 1 2 3 4 5 6
1 0 0 4 0 0 0
2 0 0 7 0 0 0
3 0 0 3 0 0 0
4 0 0 4 0 0 0
5 0 0 2 0 0 1
6 0 0 2 0 0 0
Akurasi = 3
4+7+3+4+2+2+1 × 100% =
3
23 × 100% = 13%
1. Fold 3
Tabel C.13 Pengujian spread 2 fold 3
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 6 4 Salah
2 3 3 Benar
3 6 5 Salah
4 6 6 Benar
5 4 1 Salah
6 4 3 Salah
7 6 6 Benar
8 6 5 Salah
9 6 4 Salah
10 4 4 Benar
11 6 5 Salah
12 3 2 Salah
13 3 1 Salah
14 3 1 Salah
15 4 4 Benar
16 6 5 Salah
17 3 2 Salah
18 3 1 Salah
19 3 1 Salah
20 6 5 Salah
21 6 6 Benar
22 6 6 Benar
23 6 5 Salah
C-7
Tabel C.14 Pengujian confusion Matrix spread 2 pada fold 3
Kelas 1 2 3 4 5 6
1 0 0 4 1 0 0
2 0 0 2 0 0 0
3 0 0 1 1 0 0
4 0 0 0 2 0 2
5 0 0 0 0 0 6
6 0 0 0 0 0 4
Akurasi = 1+2+4
4+1+2+1+1+2+2+6+4 × 100% =
7
23 × 100% = 30%
Tabel C.15 Pengujian spread 3 fold 3
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 4 4 Benar
2 3 3 Benar
3 6 5 Salah
4 6 6 Benar
5 3 1 Salah
6 3 3 Benar
7 6 6 Benar
8 6 5 Salah
9 4 4 Benar
10 3 4 Salah
11 4 5 Salah
12 3 2 Salah
13 3 1 Salah
14 3 1 Salah
15 3 4 Salah
16 6 5 Salah
17 3 2 Salah
18 3 1 Salah
19 3 1 Salah
20 4 5 Salah
21 6 6 Benar
22 6 6 Benar
23 4 5 Salah
Tabel C.16 Pengujian confusion Matrix spread 3 pada fold 3
Kelas 1 2 3 4 5 6
1 0 0 5 0 0 0
2 0 0 2 0 0 0
3 0 0 2 0 0 0
4 0 0 2 2 0 0
5 0 0 0 3 0 3
6 0 0 0 0 0 4
C-8
Akurasi = 2+2+4
5+2+2+3+3+2+2+4 × 100% =
8
23 × 100% = 35%
Tabel C.17 Pengujian spread 4 fold 3
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 3 4 Salah
2 3 3 Benar
3 4 5 Salah
4 6 6 Benar
5 3 1 Salah
6 3 3 Benar
7 4 6 Salah
8 3 5 Salah
9 3 4 Salah
10 3 4 Salah
11 3 5 Salah
12 3 2 Salah
13 3 1 Salah
14 3 1 Salah
15 3 4 Salah
16 3 5 Salah
17 3 2 Salah
18 3 1 Salah
19 3 1 Salah
20 3 5 Salah
21 3 6 Salah
22 4 6 Salah
23 3 5 Salah
Tabel C.18 Pengujian confusion Matrix spread 4 pada fold 3
Kelas 1 2 3 4 5 6
1 0 0 5 0 0 0
2 0 0 2 0 0 0
3 0 0 2 0 0 0
4 0 0 4 0 0 0
5 0 0 5 1 0 0
6 0 0 1 2 0 1
Akurasi = 2+1
5+2+2+4+5+1+1+2+1 × 100% =
3
23 × 100% = 13%
C-9
2. Fold 4
Tabel C.19 Pengujian spread 2 fold 4
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 6 6 Benar
2 6 6 Benar
3 6 4 Salah
4 6 4 Salah
5 4 3 Salah
6 6 6 Benar
7 6 6 Benar
8 6 6 Benar
9 6 6 Benar
10 6 6 Benar
11 6 6 Benar
12 6 6 Benar
13 6 6 Benar
14 6 6 Benar
15 3 1 Salah
16 4 3 Salah
17 6 5 Salah
18 6 4 Salah
19 3 3 Benar
20 4 3 Salah
21 6 4 Salah
22 6 5 Salah
23 6 6 Benar
Tabel C.20 Pengujian confusion Matrix spread 2 pada fold 4
Kelas 1 2 3 4 5 6
1 0 0 1 0 0 0
2 0 0 0 0 0 0
3 0 0 1 3 0 0
4 0 0 0 0 0 4
5 0 0 0 0 0 2
6 0 0 0 0 0 12
Akurasi = 1+12
1+1+3+4+2+12 × 100% =
13
23 × 100% = 57%
Tabel C.21 Pengujian spread 3 fold 4
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 6 6 Benar
2 6 6 Benar
3 4 4 Benar
C-10
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
4 4 4 Benar
5 3 3 Benar
6 6 6 Benar
7 6 6 Benar
8 6 6 Benar
9 6 6 Benar
10 6 6 Benar
11 6 6 Benar
12 6 6 Benar
13 6 6 Benar
14 6 6 Benar
15 3 1 Salah
16 3 3 Benar
17 4 5 Salah
18 4 4 Benar
19 3 3 Benar
20 3 3 Benar
21 6 4 Salah
22 6 5 Salah
23 6 6 Benar
Tabel C.22 Pengujian confusion Matrix spread 3 pada fold 4
Kelas 1 2 3 4 5 6
1 0 0 1 0 0 0
2 0 0 0 0 0 0
3 0 0 4 0 0 0
4 0 0 0 3 0 1
5 0 0 0 1 0 1
6 0 0 0 0 0 12
Akurasi = 4+3+12
1+4+3+1+1+1+12 × 100% =
19
23 × 100% = 83%
Tabel C.23 Pengujian spread 4 fold 4
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 6 6 Benar
2 4 6 Salah
3 3 4 Salah
4 3 4 Salah
5 3 3 Benar
6 4 6 Salah
7 4 6 Salah
8 6 6 Benar
9 4 6 Salah
10 4 6 Salah
C-11
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
11 6 6 Benar
12 6 6 Benar
13 6 6 Benar
14 6 6 Benar
15 3 1 Salah
16 3 3 Benar
17 4 5 Salah
18 3 4 Salah
19 3 3 Benar
20 3 3 Benar
21 4 4 Benar
22 6 5 Salah
23 6 6 Benar
Tabel C.24 Pengujian confusion Matrix spread 4 pada fold 4
Kelas 1 2 3 4 5 6
1 0 0 1 0 0 0
2 0 0 0 0 0 0
3 0 0 4 0 0 0
4 0 0 3 1 0 0
5 0 0 0 1 0 1
6 0 0 0 5 0 7
Akurasi = 4+1+7
1+4+3+1+1+1+5+7 × 100% =
12
23 × 100% = 52%
3. Fold 5
Tabel C.25 Pengujian spread 2 fold 5
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 6 5 Salah
2 6 5 Salah
3 3 3 Benar
4 6 6 Benar
5 3 3 Benar
6 6 6 Benar
7 6 4 Salah
8 3 2 Salah
9 3 2 Salah
10 3 3 Benar
11 3 1 Salah
12 4 3 Salah
13 6 5 Salah
14 3 1 Salah
15 4 3 Salah
C-12
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
16 4 2 Salah
17 3 1 Salah
18 6 6 Benar
19 3 3 Benar
20 6 5 Salah
21 4 4 Benar
22 6 5 Salah
23 6 6 Benar
Tabel C.26 Pengujian confusion Matrix spread 2 pada fold 5
Kelas 1 2 3 4 5 6
1 0 0 3 0 0 0
2 0 0 2 1 0 0
3 0 0 4 2 0 0
4 0 0 0 1 0 1
5 0 0 0 0 0 5
6 0 0 0 0 0 4
Akurasi = 4+1+4
3+2+1+4+2+1+1+5+4 × 100% =
9
23 × 100% = 39%
Tabel C.27 Pengujian spread 3 fold 5
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 4 5 Salah
2 4 5 Salah
3 3 3 Benar
4 6 6 Benar
5 3 3 Benar
6 6 6 Benar
7 3 4 Salah
8 3 2 Salah
9 3 2 Salah
10 3 3 Benar
11 3 1 Salah
12 3 3 Benar
13 4 5 Salah
14 3 1 Salah
15 3 3 Benar
16 3 2 Salah
17 3 1 Salah
18 6 6 Benar
19 3 3 Benar
20 4 5 Salah
21 3 4 Salah
C-13
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
22 4 5 Salah
23 4 6 Salah
Tabel C.28 Pengujian confusion Matrix spread 3 pada fold 5
Kelas 1 2 3 4 5 6
1 0 0 3 0 0 0
2 0 0 3 0 0 0
3 0 0 6 0 0 0
4 0 0 2 0 0 0
5 0 0 0 5 0 0
6 0 0 0 1 0 3
Akurasi = 6+3
3+3+6+2+5+1+3 × 100% =
9
23 × 100% = 39%
Tabel C.29 Pengujian spread 4 fold 5
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 3 5 Salah
2 3 5 Salah
3 3 3 Benar
4 6 6 Benar
5 3 3 Benar
6 4 6 Salah
7 3 4 Salah
8 3 2 Salah
9 3 2 Salah
10 3 3 Benar
11 3 1 Salah
12 3 3 Benar
13 3 5 Salah
14 3 1 Salah
15 3 3 Benar
16 3 2 Salah
17 3 1 Salah
18 4 6 Salah
19 3 3 Benar
20 3 5 Salah
21 3 4 Salah
22 3 5 Salah
23 3 6 Salah
C-14
Tabel C.30 Pengujian confusion Matrix spread 4 pada fold 5
Kelas 1 2 3 4 5 6
1 0 0 3 0 0 0
2 0 0 3 0 0 0
3 0 0 6 0 0 0
4 0 0 2 0 0 0
5 0 0 5 0 0 0
6 0 0 1 2 0 1
Akurasi = 6+1
3+3+6+2+5+1+2+1 × 100% =
7
23 × 100% = 30%
4. Fold 6
Tabel C.31 Pengujian spread 2 fold 6
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 4 2 Salah
2 4 4 Benar
3 3 1 Salah
4 4 1 Salah
5 4 1 Salah
6 6 5 Salah
7 4 2 Salah
8 3 3 Benar
9 6 4 Salah
10 4 3 Salah
11 6 4 Salah
12 6 6 Benar
13 3 3 Benar
14 6 5 Salah
15 6 4 Salah
16 3 1 Salah
17 3 3 Benar
18 3 3 Benar
19 6 4 Salah
20 4 4 Benar
21 4 2 Salah
22 4 3 Salah
23 6 6 Benar
Tabel C.32 Pengujian confusion Matrix spread 2 pada fold 6
Kelas 1 2 3 4 5 6
1 0 0 2 2 0 0
2 0 0 0 3 0 0
3 0 0 4 2 0 0
4 0 0 0 2 0 4
C-15
Kelas 1 2 3 4 5 6
5 0 0 0 0 0 2
6 0 0 0 0 0 2
Akurasi = 4+2+2
2+2+3+4+2+2+4+2+2 × 100% =
8
23 × 100% = 35%
Tabel C.33 Pengujian spread 3 fold 6
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 4 2 Salah
2 4 4 Benar
3 3 1 Salah
4 3 1 Salah
5 4 1 Salah
6 6 5 Salah
7 3 2 Salah
8 3 3 Benar
9 4 4 Benar
10 3 3 Benar
11 4 4 Benar
12 6 6 Benar
13 3 3 Benar
14 4 5 Salah
15 4 4 Benar
16 3 1 Salah
17 3 3 Benar
18 3 3 Benar
19 4 4 Benar
20 3 4 Salah
21 4 2 Salah
22 3 3 Benar
23 6 6 Benar
Tabel C.34 Pengujian confusion Matrix spread 3 pada fold 6
Kelas 1 2 3 4 5 6
1 0 0 3 1 0 0
2 0 0 1 2 0 0
3 0 0 6 0 0 0
4 0 0 1 5 0 0
5 0 0 0 1 0 1
6 0 0 0 0 0 2
Akurasi = 6+5+2
3+1+1+2+6+1+5+1+1+2 × 100% =
13
23 × 100% = 57%
C-16
Tabel C.35 Pengujian spread 4 fold 6
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 3 2 Salah
2 3 4 Salah
3 3 1 Salah
4 3 1 Salah
5 3 1 Salah
6 4 5 Salah
7 3 2 Salah
8 3 3 Benar
9 4 4 Benar
10 3 3 Benar
11 4 4 Benar
12 4 6 Salah
13 3 3 Benar
14 4 5 Salah
15 4 4 Benar
16 3 1 Salah
17 3 3 Benar
18 3 3 Benar
19 4 4 Benar
20 3 4 Salah
21 3 2 Salah
22 3 3 Benar
23 4 6 Salah
Tabel C.36 Pengujian confusion Matrix spread 4 pada fold 6
Kelas 1 2 3 4 5 6
1 0 0 4 0 0 0
2 0 0 3 0 0 0
3 0 0 6 0 0 0
4 0 0 2 4 0 0
5 0 0 0 2 0 0
6 0 0 0 2 0 0
Akurasi = 6+4
4+3+6+2+4+2+2 × 100% =
10
23 × 100% = 43%
5. Fold 7
Tabel C.37 Pengujian spread 2 fold 7
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 6 6 Benar
2 6 4 Salah
3 6 5 Salah
C-17
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
4 6 5 Salah
5 4 3 Salah
6 6 5 Salah
7 6 5 Salah
8 6 4 Salah
9 6 2 Salah
10 6 4 Salah
11 6 6 Benar
12 6 2 Salah
13 6 6 Benar
14 4 4 Benar
15 4 3 Salah
16 6 5 Salah
17 6 4 Salah
18 6 6 Benar
19 6 5 Salah
20 6 6 Benar
21 6 6 Benar
22 6 6 Benar
23 6 5 Salah
Tabel C.38 Pengujian confusion Matrix spread 2 pada fold 7
Kelas 1 2 3 4 5 6
1 0 0 0 0 0 0
2 0 0 0 0 0 2
3 0 0 0 2 0 0
4 0 0 0 1 0 4
5 0 0 0 0 0 7
6 0 0 0 0 0 7
Akurasi = 1+7
2+2+1+4+7+7 × 100% =
8
23 × 100% = 35%
Tabel C.39 Pengujian spread 3 fold 7
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 6 6 Benar
2 4 4 Benar
3 6 5 Salah
4 6 5 Salah
5 3 3 Benar
6 6 5 Salah
7 6 5 Salah
8 4 4 Benar
9 6 2 Salah
10 6 4 Salah
C-18
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
11 6 6 Benar
12 4 2 Salah
13 6 6 Benar
14 3 4 Salah
15 3 3 Benar
16 6 5 Salah
17 4 4 Benar
18 6 6 Benar
19 6 5 Salah
20 6 6 Benar
21 6 6 Benar
22 6 6 Benar
23 6 5 Salah
Tabel C.40 Pengujian confusion Matrix spread 3 pada fold 7
Kelas 1 2 3 4 5 6
1 0 0 0 0 0 0
2 0 0 0 1 0 1
3 0 0 2 0 0 0
4 0 0 1 3 0 1
5 0 0 0 0 0 7
6 0 0 0 0 0 7
Akurasi = 2+3+7
1+1+2+1+3+1+7+7 × 100% =
12
23 × 100% = 52%
Tabel C.41 Pengujian spread 4 fold 7
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 4 6 Salah
2 3 4 Salah
3 4 5 Salah
4 4 5 Salah
5 3 3 Benar
6 4 5 Salah
7 4 5 Salah
8 4 4 Benar
9 4 2 Salah
10 4 4 Benar
11 4 6 Salah
12 3 2 Salah
13 6 6 Benar
14 3 4 Salah
15 3 3 Benar
16 4 5 Salah
17 3 4 Salah
C-19
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
18 6 6 Benar
19 4 5 Salah
20 4 6 Salah
21 6 6 Benar
22 6 6 Benar
23 4 5 Salah
Tabel C.42 Pengujian confusion Matrix spread 4 pada fold 7
Kelas 1 2 3 4 5 6
1 0 0 0 0 0 0
2 0 0 1 1 0 0
3 0 0 2 0 0 0
4 0 0 3 2 0 0
5 0 0 0 7 0 0
6 0 0 0 3 0 4
Akurasi = 2+2+4
1+1+2+3+2+7+3+4 × 100% =
8
23 × 100% = 35%
6. Fold 8
Tabel C.43 Pengujian spread 2 fold 8
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 6 4 Salah
2 4 3 Salah
3 4 1 Salah
4 6 3 Salah
5 6 2 Salah
6 6 4 Salah
7 4 1 Salah
8 6 5 Salah
9 4 1 Salah
10 6 4 Salah
11 6 6 Benar
12 6 5 Salah
13 4 1 Salah
14 4 2 Salah
15 4 2 Salah
16 6 3 Salah
17 4 2 Salah
18 4 2 Salah
19 6 4 Salah
20 4 1 Salah
21 4 3 Salah
22 6 6 Benar
C-20
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
23 6 5 Salah
Tabel C.44 Pengujian confusion Matrix spread 2 pada fold 8
Kelas 1 2 3 4 5 6
1 0 0 0 5 0 0
2 0 0 0 4 0 1
3 0 0 0 2 0 2
4 0 0 0 0 0 4
5 0 0 0 0 0 3
6 0 0 0 0 0 2
Akurasi = 2
5+4+2+1+2+4+3+2 × 100% =
2
23 × 100% = 9%
Tabel C.45 Pengujian spread 3 fold 8
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 4 4 Benar
2 4 3 Salah
3 3 1 Salah
4 4 3 Salah
5 4 2 Salah
6 6 4 Salah
7 3 1 Salah
8 6 5 Salah
9 3 1 Salah
10 4 4 Benar
11 6 6 Benar
12 4 5 Salah
13 3 1 Salah
14 3 2 Salah
15 3 2 Salah
16 4 3 Salah
17 3 2 Salah
18 3 2 Salah
19 4 4 Benar
20 4 1 Salah
21 3 3 Benar
22 6 6 Salah
23 6 5 Salah
C-21
Tabel C.46 Pengujian confusion Matrix spread 3 pada fold 8
Kelas 1 2 3 4 5 6
1 0 0 4 1 0 0
2 0 0 4 1 0 0
3 0 0 1 3 0 0
4 0 0 0 3 0 1
5 0 0 0 1 0 2
6 0 0 0 0 0 2
Akurasi = 1+3+2
4+1+4+1+1+3+3+1+1+2+2 × 100% =
6
23 × 100% = 26%
Tabel C.47 Pengujian spread 4 fold 8
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 3 4 Salah
2 3 3 Benar
3 3 1 Salah
4 3 3 Benar
5 3 2 Salah
6 4 4 Benar
7 3 1 Salah
8 6 5 Salah
9 3 1 Salah
10 4 4 Benar
11 4 6 Salah
12 3 5 Salah
13 3 1 Salah
14 3 2 Salah
15 3 2 Salah
16 3 3 Benar
17 3 2 Salah
18 3 2 Salah
19 3 4 Salah
20 3 1 Salah
21 3 3 Benar
22 4 6 Salah
23 4 5 Salah
Tabel C.48 Pengujian confusion Matrix spread 4 pada fold 8
Kelas 1 2 3 4 5 6
1 0 0 5 0 0 0
2 0 0 5 0 0 0
3 0 0 4 0 0 0
4 0 0 2 2 0 0
5 0 0 1 1 0 1
6 0 0 0 2 0 0
C-22
Akurasi = 4+2
5+5+4+2+2+1+1+1+2 × 100% =
6
23 × 100% = 26%
7. Fold 9
Tabel C.49 Pengujian spread 2 fold 9
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 6 4 Salah
2 4 3 Salah
3 6 5 Salah
4 6 6 Benar
5 4 1 Salah
6 4 3 Salah
7 6 6 Salah
8 6 5 Salah
9 6 4 Salah
10 6 4 Salah
11 6 5 Salah
12 3 2 Salah
13 3 1 Salah
14 3 1 Salah
15 4 4 Benar
16 6 5 Salah
17 3 2 Salah
18 3 1 Salah
19 4 1 Salah
20 6 5 Salah
21 6 6 Benar
22 6 6 Benar
23 6 5 Salah
Tabel C.50 Pengujian confusion Matrix spread 2 pada fold 9
Kelas 1 2 3 4 5 6
1 0 0 3 2 0 0
2 0 0 2 0 0 0
3 0 0 0 2 0 0
4 0 0 0 1 0 3
5 0 0 0 0 0 6
6 0 0 0 0 0 4
Akurasi = 1+4
3+2+2+2+1+3+6+4 × 100% =
5
23 × 100% = 22%
C-23
Tabel C.51 Pengujian spread 3 fold 9
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 4 4 Benar
2 3 3 Benar
3 6 5 Salah
4 6 6 Benar
5 3 1 Salah
6 3 3 Benar
7 6 6 Benar
8 6 5 Salah
9 6 4 Salah
10 4 4 Benar
11 6 5 Salah
12 3 2 Salah
13 3 1 Salah
14 3 1 Salah
15 3 4 Salah
16 6 5 Salah
17 3 2 Salah
18 3 1 Salah
19 3 1 Salah
20 4 5 Salah
21 6 6 Benar
22 6 6 Benar
23 4 5 Salah
Tabel C.52 Pengujian confusion Matrix spread 3 pada fold 9
Kelas 1 2 3 4 5 6
1 0 0 5 0 0 0
2 0 0 2 0 0 0
3 0 0 2 0 0 0
4 0 0 1 2 0 1
5 0 0 0 2 0 4
6 0 0 0 0 0 4
Akurasi = 2+2+4
5+2+2+1+2+2+1+4+4 × 100% =
8
23 × 100% = 35%
Tabel C.53 Pengujian spread 4 fold 9
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 3 4 Salah
2 3 3 Benar
3 6 5 Salah
4 6 6 Benar
5 3 1 Salah
C-24
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
6 3 3 Benar
7 6 6 Benar
8 3 5 Salah
9 3 4 Salah
10 3 4 Salah
11 6 5 Salah
12 3 2 Salah
13 3 1 Salah
14 3 1 Salah
15 3 4 Salah
16 6 5 Salah
17 3 2 Salah
18 3 1 Salah
19 3 1 Salah
20 3 5 Salah
21 3 6 Salah
22 4 6 Salah
23 3 5 Salah
Tabel C.54 Pengujian confusion Matrix spread 4 pada fold 9
Kelas 1 2 3 4 5 6
1 0 0 5 0 0 0
2 0 0 2 0 0 0
3 0 0 2 0 0 0
4 0 0 4 0 0 0
5 0 0 3 0 0 3
6 0 0 1 1 0 2
Akurasi = 2+2
5+2+2+4+3+1+1+3+2 × 100% =
4
23 × 100% = 17%
8. Fold 10
Tabel C.55 Pengujian spread 2 fold 10
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 6 6 Benar
2 6 6 Benar
3 6 5 Salah
4 6 4 Salah
5 6 3 Salah
6 6 6 Benar
7 6 6 Benar
8 6 6 Benar
9 6 6 Benar
10 6 6 Benar
C-25
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
11 6 6 Benar
12 6 6 Benar
13 6 6 Benar
14 6 6 Benar
15 3 1 Salah
16 4 3 Salah
17 6 5 Salah
18 6 4 Salah
19 6 3 Salah
20 6 3 Salah
21 6 4 Salah
22 6 5 Salah
23 6 6 Benar
Tabel C.56 Pengujian confusion Matrix spread 2 pada fold 10
Kelas 1 2 3 4 5 6
1 0 0 1 0 0 0
2 0 0 0 0 0 0
3 0 0 0 1 0 3
4 0 0 0 0 0 3
5 0 0 0 0 0 3
6 0 0 0 0 0 12
Akurasi = 12
1+1+3+3+3+12 × 100% =
12
23 × 100% = %
Tabel C.57 Pengujian spread 3 fold 10
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 6 6 Benar
2 6 6 Benar
3 6 5 Salah
4 6 4 Salah
5 4 3 Salah
6 6 6 Benar
7 6 6 Benar
8 6 6 Benar
9 6 6 Benar
10 6 6 Benar
11 6 6 Benar
12 6 6 Benar
13 6 6 Benar
14 6 6 Benar
15 3 1 Salah
16 4 3 Salah
17 4 5 Salah
C-26
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
18 4 4 Benar
19 4 3 Salah
20 4 3 Salah
21 6 4 Salah
22 6 5 Salah
23 6 6 Benar
Tabel C.58 Pengujian confusion Matrix spread 3 pada fold 10
Kelas 1 2 3 4 5 6
1 0 0 1 0 0 0
2 0 0 0 0 0 0
3 0 0 0 4 0 0
4 0 0 0 1 0 2
5 0 0 0 1 0 2
6 0 0 0 0 0 12
Akurasi = 1+12
1+4+1+1+2+2+12 × 100% =
13
23 × 100% = 57%
Tabel C.59 Pengujian spread 4 fold 10
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 6 6 Benar
2 4 6 Salah
3 6 5 Salah
4 4 4 Benar
5 3 3 Benar
6 6 6 Benar
7 6 6 Benar
8 6 6 Benar
9 6 6 Benar
10 6 6 Benar
11 6 6 Benar
12 6 6 Benar
13 6 6 Benar
14 6 6 Benar
15 3 1 Salah
16 3 3 Benar
17 4 5 Salah
18 3 4 Salah
19 3 3 Benar
20 3 3 Benar
21 4 4 Benar
22 6 5 Salah
23 6 6 Benar
C-27
Tabel C.60 Pengujian confusion Matrix spread 4 pada fold 10
Kelas 1 2 3 4 5 6
1 0 0 1 0 0 0
2 0 0 0 0 0 0
3 0 0 4 0 0 0
4 0 0 1 2 0 0
5 0 0 0 1 0 2
6 0 0 0 1 0 11
Akurasi = 4+2+11
1+4+1+2+1+1+2+11 × 100% =
17
23 × 100% = 74%
9. Fold 11
Tabel C.61 Pengujian spread 2 fold 11
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 6 5 Salah
2 6 5 Salah
3 4 3 Salah
4 6 6 Benar
5 3 3 Benar
6 6 6 Benar
7 6 4 Salah
8 4 2 Salah
9 4 2 Salah
10 3 3 Benar
11 4 1 Salah
12 1 3 Salah
13 6 5 Salah
14 3 1 Salah
15 4 3 Salah
16 4 2 Salah
17 3 1 Salah
18 6 6 Benar
19 3 Salah
20 6 5 Salah
21 6 4 Salah
22 6 5 Salah
23 6 6 Benar
Tabel C.62 Pengujian confusion Matrix spread 2 pada fold 11
Kelas 1 2 3 4 5 6
1 0 0 2 1 0 0
2 0 0 0 3 0 0
3 0 0 2 2 0 1
4 0 0 0 0 0 2
C-28
Kelas 1 2 3 4 5 6
5 0 0 0 0 0 5
6 0 0 0 0 0 4
Terdapat 1 data outlier pada data ke 19.
Akurasi = 2+4
2+2+1+3+2+1+2+5+4+1 × 100% =
6
23 × 100% = 26%
Tabel C.63 Pengujian spread 3 fold 11
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 6 5 Salah
2 6 5 Salah
3 3 3 Benar
4 6 6 Benar
5 3 3 Benar
6 6 6 Benar
7 4 4 Benar
8 3 2 Salah
9 4 2 Salah
10 3 3 Benar
11 3 1 Salah
12 4 3 Salah
13 6 5 Salah
14 3 1 Salah
15 3 3 Benar
16 4 2 Salah
17 3 1 Salah
18 6 6 Benar
19 3 3 Benar
20 6 5 Salah
21 4 4 Benar
22 6 5 Salah
23 6 6 Benar
Tabel C.64 Pengujian confusion Matrix spread 3 pada fold 11
Kelas 1 2 3 4 5 6
1 0 0 3 0 0 0
2 0 0 1 2 0 0
3 0 0 5 1 0 0
4 0 0 0 2 0 0
5 0 0 0 0 0 5
6 0 0 0 0 0 4
Akurasi = 5+2+4
3+1+5+2+1+2+5+4 × 100% =
11
23 × 100% = 48%
C-29
Tabel C.65 Pengujian spread 4 fold 11
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 4 5 Salah
2 4 5 Salah
3 3 3 Benar
4 6 6 Benar
5 3 3 Benar
6 6 6 Benar
7 4 4 Benar
8 3 2 Salah
9 3 2 Salah
10 3 3 Benar
11 3 1 Salah
12 3 3 Benar
13 4 5 Salah
14 3 1 Salah
15 3 3 Benar
16 3 2 Salah
17 3 1 Salah
18 6 6 Benar
19 3 3 Benar
20 4 5 Salah
21 4 4 Benar
22 4 5 Salah
23 4 6 Salah
Tabel C.66 Pengujian confusion Matrix spread 4 pada fold 11
Kelas 1 2 3 4 5 6
1 0 0 3 0 0 0
2 0 0 3 0 0 0
3 0 0 6 0 0 0
4 0 0 0 2 0 0
5 0 0 0 5 0 0
6 0 0 0 1 0 3
Akurasi = 6+2+3
3+3+6+2+5+1+3 × 100% =
11
23 × 100% = 48%
10. Fold 12
Tabel C.67 Pengujian spread 2 fold 12
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
1 4 3 Salah
2 4 4 Benar
3 3 1 Salah
C-30
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 2
4 4 1 Salah
5 4 1 Salah
6 6 5 Salah
7 4 2 Salah
8 3 3 Benar
9 6 4 Salah
10 4 3 Salah
11 6 4 Salah
12 6 6 Benar
13 6 3 Salah
14 6 5 Salah
15 6 4 Salah
16 3 1 Salah
17 6 3 Salah
18 4 3 Salah
19 6 4 Salah
20 6 4 Salah
21 6 2 Salah
22 4 3 Salah
23 6 6 Benar
Tabel C.68 Pengujian confusion Matrix spread 2 pada fold 12
Kelas 1 2 3 4 5 6
1 0 0 2 2 0 0
2 0 0 0 1 0 1
3 0 0 1 4 0 2
4 0 0 0 1 0 5
5 0 0 0 0 0 2
6 0 0 0 0 0 2
Akurasi = 1+1+2
2+2+1+1+1+4+2+1+5+2+2 × 100% =
4
23 × 100% = 17%
Tabel C.69 Pengujian spread 3 fold 12
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
1 4 3 Salah
2 4 4 Benar
3 3 1 Salah
4 3 1 Salah
5 3 1 Salah
6 6 5 Salah
7 3 2 Salah
8 3 3 Benar
9 6 4 Salah
10 4 3 Salah
C-31
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 3
11 4 4 Benar
12 6 6 Benar
13 3 3 Benar
14 6 5 Salah
15 6 4 Salah
16 3 1 Salah
17 3 3 Benar
18 3 3 Benar
19 4 4 Benar
20 4 4 Benar
21 4 2 Salah
22 3 3 Benar
23 6 6 Benar
Tabel C.70 Pengujian confusion Matrix spread 3 pada fold 12
Kelas 1 2 3 4 5 6
1 0 0 4 0 0 0
2 0 0 1 1 0 0
3 0 0 5 2 0 0
4 0 0 0 4 0 2
5 0 0 0 0 0 2
6 0 0 0 0 0 2
Akurasi = 5+4+2
4+1+5+1+2+4+2+2+2 × 100% =
11
23 × 100% = 48%
Tabel C.71 Pengujian spread 4 fold 12
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
1 3 3 Benar
2 3 4 Salah
3 3 1 Salah
4 3 1 Salah
5 3 1 Salah
6 4 5 Salah
7 3 2 Salah
8 3 3 Benar
9 6 4 Salah
10 3 3 Benar
11 4 4 Benar
12 6 6 Benar
13 3 3 Benar
14 4 5 Salah
15 4 4 Benar
16 3 1 Salah
17 3 3 Benar
C-32
Data Ke Hasil Klasifikasi RBF Target Keterangan
Spread = 4
18 3 3 Benar
19 3 4 Salah
20 3 4 Salah
21 3 2 Salah
22 3 3 Benar
23 4 6 Salah
Tabel C.72 Pengujian confusion Matrix spread 4 pada fold 12
Kelas 1 2 3 4 5 6
1 0 0 4 0 0 0
2 0 0 2 0 0 0
3 0 0 7 0 0 0
4 0 0 3 2 0 1
5 0 0 0 2 0 0
6 0 0 0 1 0 1
Akurasi = 7+2+1
4+2+7+3+2+2+1+1+1 × 100% =
10
23 × 100% = 43%